studio e simulazione di tecniche per la …tesi.cab.unipd.it/28021/1/tesi.pdf · processing, nelle...
TRANSCRIPT
UNIVERSITA DEGLI STUDI DI PADOVA
FACOLTA DI INGEGNERIA
CORSO DI LAUREA IN INGEGNERIA MECCATRONICA
TESI DI LAUREA MAGISTRALE
STUDIO E SIMULAZIONE DI TECNICHE
PER LA LOCALIZZAZIONE DI TARGET
UMANI MEDIANTE RADAR
BISTATICI E MULTISTATICI
Relatore: Ch.mo Prof. ALESSANDRO SONA
Laureando: FABIO MENINI
Matricola 603198-IMC
ANNO ACCADEMICO 2010-2011
Alle persone a cui voglio bene
Sommario
Al giorno d’oggi la localizzazione di persone assume un ruolo molto importante nei diversi
ambiti nei quali puo trovare applicazione, come sicurezza sul lavoro a livello industriale,
dispositivi militari, civili e primo soccorso in situazioni di emergenza.
Uno dei mezzi piu utilizzati per la localizzazione di persone consiste nella tecnologia radar,
per via di una serie di vantaggi, che la rende ideale anche in condizioni di utilizzo non del
tutto favorevoli.
L’obiettivo di questo lavoro di tesi consiste nello studio e nella simulazione delle tecniche
per la localizzazione di persone mediante radar, analizzando in particolare un sistema per
la sorveglianza di una determinata area. L’elaborato presenta uno studio iniziale sulle
tecniche di stima di ritardo fra segnali, che si inseriscono successivamente, nel contesto piu
ampio della stima della posizione di una persona. Viene analizzato infine un particolare
caso applicativo, presente in un articolo scientifico di riferimento. Per meglio comprendere
lo studio teorico sono state realizzate e descritte numerose simulazioni.
v
Indice
Sommario v
Indice vii
Elenco delle tabelle xi
Elenco delle figure xiii
Introduzione xvii
1 Time Delay Estimation 1
1.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Breve analisi matematica iniziale . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Non idealita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Classificazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Metodi basati sulla cross-correlazione generalizzata . . . . . . . . . . 4
1.2.2 Average squared difference function (ASDF) method . . . . . . . . . 8
1.2.3 Least mean square (LMS) adaptive filter method . . . . . . . . . . . 8
1.3 Metodi alternativi per il TDE . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Stimatori MSX e MXS . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 Altri metodi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Riferimenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Presentazione delle simulazioni realizzate . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Prima simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Seconda simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5.3 Conclusioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Metodi di stima della posizione 25
2.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 DOA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Metodi di stima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 TOA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.1 Ranging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 TDOA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.1 Multilaterazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4.2 Metodo di Fang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.3 Metodo di Chan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.4 Serie di Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.5 Metodi per la determinazione dell’errore . . . . . . . . . . . . . . . . 36
2.4.6 Considerazioni finali . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
vii
viii INDICE
2.5 Riferimenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.6 Simulazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6.1 Prima simulazione proposta . . . . . . . . . . . . . . . . . . . . . . . 38
2.6.2 Seconda simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6.3 Considerazioni finali . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Human detection 45
3.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1 Proprieta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Possibili realizzazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 Rilevamento mediante sistemi di visione . . . . . . . . . . . . . . . . 47
3.2.2 Rilevamento mediante sensori . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Human detection mediante Radar . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.2 Identificazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.3 Localizzazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Riferimenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4 Analisi di un sistema di localizzazione 59
4.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1.1 Radar bistatico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1.2 Equazione generale di un radar bistatico . . . . . . . . . . . . . . . . 60
4.1.3 Localizzazione per radar monostatici, bistatici e multistatici . . . . . 62
4.2 Panoramica sul sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.1 Clutter removal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2.2 Imaging e Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.3 Tracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Aspetti generali sul sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.1 Analisi geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.2 Potenza trasmessa e ricevuta . . . . . . . . . . . . . . . . . . . . . . 70
4.3.3 Analisi per un sistema multistatico . . . . . . . . . . . . . . . . . . . 73
4.3.4 Risultati presentati . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.4 Riferimenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.5 Simulazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5.1 Prima simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5.2 Seconda simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.5.3 Terza simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.5.4 Quarta simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.5.5 Quinta simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.5.6 Sesta simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.5.7 Settima simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.5.8 Ottava simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
INDICE ix
5 Considerazioni alternative e sviluppi futuri 93
5.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.2 Variazione del minimo tempo misurabile . . . . . . . . . . . . . . . . . . . . 93
5.2.1 Simulazione con γ diversi, grafici tridimensionali . . . . . . . . . . . 93
5.2.2 Simulazione con γ diversi, grafici bidimensionali a parita di r . . . . 96
5.2.3 Simulazione con γ diversi, grafici bidimensionali a parita di θ . . . . 98
5.2.4 Conclusioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.3 Applicazioni alternative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.3.1 Caratterizzazione per un’area quadrata . . . . . . . . . . . . . . . . 103
5.4 Applicazioni future . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Conclusioni 109
Ringraziamenti 111
Bibliografia 113
A Considerazioni geometriche 115
A.1 Ellisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
A.2 Ovale di Cassini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Elenco delle tabelle
1.1 Variazione del SNR di soglia per 12 prove . . . . . . . . . . . . . . . . . . . 22
4.1 Parametri fondamentali del sistema . . . . . . . . . . . . . . . . . . . . . . . 76
xi
Elenco delle figure
1 Schematizzazione di un sistema anti-intrusione . . . . . . . . . . . . . . . . xvii
1.1 Schema di principio del problema . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Schema ideale per il prefiltraggio prima della Correlazione . . . . . . . . . . 3
1.3 Schema per la valutazione della Cross-correlazione . . . . . . . . . . . . . . 5
1.4 Schema per la valutazione della correlazione PHAT . . . . . . . . . . . . . . 7
1.5 Segnale di partenza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 Rumore sovrapposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7 Segnali in analisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.8 Cross-correlazione CC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.9 Cross-correlazione PHAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.10 Cross-correlazione ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.11 Correlazione ASDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.12 Correlazione per i metodi CC, PHAT e ML in assenza di rumore . . . . . . 19
1.13 Primo segnale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.14 Secondo segnale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.15 SNR di soglia per CC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.16 SNR di soglia per PHAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.17 SNR di soglia per ML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1 Localizzazione grazie alla stima DOA . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Array di antenne lineare ed uniforme . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Esempio di spettro angolare ottenuto grazie ad un metodo di beamforming . 29
2.4 Esempio di spettro angolare ottenuto grazie all’algoritmo MUSIC . . . . . . 30
2.5 Situazione iniziale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.6 Situazione di partenza nella simulazione . . . . . . . . . . . . . . . . . . . . 38
2.7 Impulso inviato dalla sorgente E . . . . . . . . . . . . . . . . . . . . . . . . 39
2.8 Segnali ricevuti dal terzo ricevitore . . . . . . . . . . . . . . . . . . . . . . . 40
2.9 Segnali ricevuti dal terzo ricevitore, primo caso . . . . . . . . . . . . . . . . 41
2.10 Segnali ricevuti dal terzo ricevitore, secondo caso . . . . . . . . . . . . . . . 42
2.11 Segnali ricevuti dal terzo ricevitore, terzo caso . . . . . . . . . . . . . . . . . 43
2.12 Segnali ricevuti dal terzo ricevitore, quarto caso . . . . . . . . . . . . . . . . 43
2.13 Segnali ricevuti dal terzo ricevitore, quinto caso . . . . . . . . . . . . . . . . 44
3.1 Caratteristiche statiche e dinamiche . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Spettrogramma per una persona che cammina . . . . . . . . . . . . . . . . . 51
3.3 PSD per un impulso UWB . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4 Realizzazione di impulsi UWB ottenuti come derivata prima di un impulso
gaussiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
xiii
xiv ELENCO DELLE FIGURE
3.5 Esempio di impulso UWB ottenuto come derivata terza di un impulso
gaussiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.6 Possibili applicazioni della tecnologia radar UWB nella localizzazione di
persone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1 Geomatria di un radar bistatico . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.2 Esempi di ovali, al variare di RM . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3 Luoghi di punti localizzabili . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4 Luoghi di punti localizzabili . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Sistemi multipli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.6 Scenario del sistema di localizzazione . . . . . . . . . . . . . . . . . . . . . . 64
4.7 Caratterizzazione generale del sistema . . . . . . . . . . . . . . . . . . . . . 65
4.8 Scansione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.9 Elisse caratteristica di un radar bistatico . . . . . . . . . . . . . . . . . . . . 68
4.10 Segnale trasmesso e ricevuto . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.11 Ovale di Cassini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.12 Esempio di Ellisse equi-TOA (in grassetto) e di due Ovali di Cassini . . . . 70
4.13 Ovale di Cassini Massimo ed Ellisse minima . . . . . . . . . . . . . . . . . 72
4.14 Zona di incertezza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.15 Area A e disposizione del TX e degli RX . . . . . . . . . . . . . . . . . . . . 74
4.16 Caratterizzazione geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.17 Impulsi inviati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.18 Percentuale di copertura dell’area . . . . . . . . . . . . . . . . . . . . . . . . 77
4.19 Potenza minima richiesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.20 Area di incertezza nella localizzazione . . . . . . . . . . . . . . . . . . . . . 78
4.21 Area di incertezza per r= 50 m . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.22 Area di incertezza per θ = π/2 . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.23 Semplice realizzazione di in’ellisse equi-TOA . . . . . . . . . . . . . . . . . . 82
4.24 Segnali in esame . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.25 Scenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.26 Area A e posizione del target . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.27 Situazione presente per ogni ricevitore . . . . . . . . . . . . . . . . . . . . . 86
4.28 Stima della posizione del target . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.29 Ovali di Cassini Massimi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.30 Situazione per r=40 m e θ= 15 gradi . . . . . . . . . . . . . . . . . . . . . . 88
4.31 Punti per la realizzazione dell’algoritmo . . . . . . . . . . . . . . . . . . . . 88
4.32 Percentuali di copertura dell’area . . . . . . . . . . . . . . . . . . . . . . . . 89
4.33 Coefficiente K(r, θ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.34 Potenza minima richiesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.35 Frequenza di ripetizione PRFmax . . . . . . . . . . . . . . . . . . . . . . . . 91
5.1 Situazione per r = 40 m, θ = 15 gradi e γ = 10 ns . . . . . . . . . . . . . . 94
5.2 Copertura per γ = 1 ns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
ELENCO DELLE FIGURE xv
5.3 Copertura per γ = 2 ns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.4 Copertura per γ = 5 ns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.5 Copertura per γ = 10 ns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.6 Copertura per r = 10 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.7 Copertura per r = 20 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.8 Copertura per r = 30 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.9 Copertura per r = 40 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.10 Copertura per θ = 10 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.11 Copertura per θ = 20 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.12 Copertura per θ = 30 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.13 Copertura per θ = 40 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.14 Copertura per θ = 50 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.15 Copertura per θ = 60 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.16 Copertura per θ = 70 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.17 Copertura per θ = 80 gradi . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.18 Area A e B a confronto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.19 Ovali di Cassini Massimi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.20 Copertura per un’area quadrata . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.21 Coefficiente K(r, θ) per area quadrata . . . . . . . . . . . . . . . . . . . . . 105
5.22 Potenza minima richiesta per area quadrata . . . . . . . . . . . . . . . . . . 106
5.23 Impulsi nel caso di target mobile . . . . . . . . . . . . . . . . . . . . . . . . 106
Introduzione
Molte aree ed infrastrutture critiche come serbatoi, impianti di potenza e zone militari
possono risultare problematiche per via della loro pericolosita in termini di sicurezza sul
lavoro (in un ambiente industriale) e per via della loro vulnerabilita in caso di attacco
esterno (in ambiente militare). In tutte queste applicazioni la realizzazione di un sistema
di localizzazione di una persona riveste un ruolo di fondamentale importanza per un cor-
retto monitoraggio dell’area in esame [1, 2].
I sensori classici, solitamente utilizzati, presentano problemi intrinseci che diminuiscono
la probabilita di rilevamento di una persona ed aumentano la probabilita di generazione
di un falso allarme. Il loro corretto funzionamento puo essere condizionato da innume-
revoli fattori non controllabili dall’uomo come condizioni atmosferiche non favorevoli ed
interferenze elettromagnetiche. I problemi precedentemente citati rendono necessaria la
realizzazione di sistemi ridondanti di sensori classici, aumentandone la complessita ed il
costo [2].
La tecnologia radar garantisce un’elevata immunita sia ai disturbi elettromagnetici sia alle
avverse condizioni atmosferiche, garantendo una buona stima della posizione della persona
da localizzare.
Per migliorare le prestazioni dei sistemi radar, si utilizzano spesso particolari segnali im-
pulsivi (UWB, Ultra Wide Band), con durata dell’ordine del nanosecondo. Essi possono
facilmente far risultare invisibili ostacoli intermedi come muri ed altri materiali da costru-
zione. Questa interessante proprieta puo essere favorevolmente sfruttata per la localizza-
zione di persone in alcune situazioni di emergenza [3, 4, 5].
La trattazione corrente descrive un sistema di localizzazione anti-intrusione costituito da
un radar multistatico, visibile in Figura 1 ed analizzato in dettaglio in un articolo di rife-
rimento [1].
Figura 1: Schematizzazione di un sistema anti-intrusione
Si dimostra come una variazione dei parametri geometrici relativi alla posizione dei rice-
vitori possa influenzare considerevolmente alcuni importanti aspetti come la percentuale
di copertura dell’area, la potenza minima necessaria per poter garantire la localizzazione
e l’accuratezza della stessa [1].
La parte critica in un sistema formato da uno o piu radar consiste nelle operazioni di signal
processing, nelle quali vengono trattati i segnali ricevuti e, dall’analisi di quest’ultimi, si
xvii
xviii Introduzione
estrapola l’informazione prima sull’eventuale presenza e successivamente sulla posizione
del target.
In questo contesto si inserisce la necessita di uno studio preliminare sulla stima del ri-
tardo fra segnali (TDE, Time Delay Estimation). Essa puo essere effettuata attraverso
alcune operazioni matematiche sui segnali, la piu comune di queste prende il nome di
cross-correlazione [6, 7].
La stima del ritardo fra segnali viene utilizzata in un ambito piu ampio per la deter-
minazione del luogo di punti di appartenenza del target, in relazione alla posizione del
trasmettitore e dei ricevitori [1]. La posizione viene calcolata grazie ad alcuni parametri
temporali denominati TOA (Time of Arrival) e TDOA (Time Diffrence of Arrival) diret-
tamente dipendenti dal TDE.
Il lavoro di tesi presenta una panoramica sulle tecniche di localizzazione di persone me-
diante radar, a partire dalla operazione preliminari di stima del ritardo fra segnali fino
all’analisi di un sistema di sorveglianza di un’area descritto nell’articolo scientifico di rife-
rimento.
Per poter meglio comprendere gli argomenti svolti, sono state realizzate numerose simula-
zioni. Le prime riguardano i metodi di stima del TDE e del TDOA mentre quelle successive
riguardano la simulazione di un’area di sorveglianza, nelle quali sono presenti codici che
riproducono alcuni grafici descritti nell’articolo di studio, con l’aggiunta di considerazioni
alternative.
L’obiettivo del lavoro di tesi consiste quindi nello studio e nella simulazione di tecniche
per la localizzazione di persone mediante sistemi radar, analizzando un particolare caso
applicativo.
Il documento e strutturato come segue. Il primo capitolo descrive ampiamente il proble-
ma del TDE, dandone una caratterizzazione matematica, classificandone i vari metodi di
calcolo ed elencando i vantaggi degli uni rispetto agli altri.
Il secondo capitolo descrive i metodi di stima della posizione presenti in letteratura, legati
direttamente ad alcune variabili come il DOA (Direction of Arrival), il TOA ed il TDOA
precedentemente citati.
Il terzo capitolo presenta l’human detection ovvero il rilevamento di una persona. Ven-
gono analizzate le varie fasi che la compongono ed i mezzi tecnologici che la realizzano,
giustificando l’utilizzo la tecnologia radar.
Il quarto capitolo analizza in dettaglio un particolare caso applicativo, ovvero un sistema
radar multistatico basato su tecnologia UWB per la sorveglianza di un’area circolare, in
riferimento ad un particolare articolo scientifico di riferimento [1].
Il quinto capitolo mostra i risultati delle simulazioni ottenute variando alcune caratteri-
stiche del sistema presentato nel quarto capitolo.
Ogni capitolo presenta una sezione dei riferimenti con una breve sintesi degli articoli scien-
tifici citati all’interno del capitolo stesso, ed eventualmente una sezione con la descrizione
delle simulazioni svolte.
La parte delle conclusioni termina la trattazione dell’elaborato e getta le basi per eventuali
sviluppi futuri.
Capitolo 1
Time Delay Estimation
1.1 Introduzione
La stima della differenza temporale di arrivo di un segnale comune su due sensori, ognuno
dei quali con un proprio rumore sovrapposto non correlato, e un problema di interesse
comune cosı come sostenuto da Ianiello [6, 8]. La differenza temporale in esame, spesso
viene indicata in letteratura con il nome TDE (Time Delay Estimation, stima del ritardo
fra segnali).
Charles H. Knapp e G. Clifford Carter [7] hanno descritto il problema in termini mate-
matici, considerando un generico segnale proveniente da una sorgente remota s(t), che si
propaga e viene ricevuto da due sensori localmente spaziati r1(t) e r2(t):
r1(t) = s(t) + n1(t) ,
r2(t) = αs(t−D) + n2(t) ,(1.1.1)
dove n1(t) e n2(t) rappresentano il rumore di tipo Gaussiano sui due sensori, assunto per
ipotesi non correlato al segnale di partenza, α e un coefficiente che indica un’eventuale
attenuazione e D e il ritardo.
Uno studio condotto dal Department of Electrical and Computer Engineering The Univer-
sity of Auckland [9] descrive, ad esempio, il fenomeno in termini acustici, come indicato
in Fig. 1.1.
Fig. 1.1: Schema di principio del problema
Ci sono molti metodi per stimare il ritardo D. Il piu semplice e realizzare una funzione di
cross-correlazione Rr1r2(τ) fra i due segnali e individuare l’argomento (τ) al quale corri-
sponde il massimo della funzione stessa Rr1r2(τ) [7]. Per migliorare la ricerca del picco e
la conseguente stima del ritardo possono essere utilizzati filtri o funzioni di peso.
1
2 Time Delay Estimation
La stima del ritardo e ottenuta pesando l’intervallo di tempo che massimizza la funzione
di cross-correlazione in relazione alla versione filtrata dei due segnali ricevuti. Questa
tecnica, che utilizza una particolare funzione peso e stata proposta da Knapp e Carter [7]
nel 1976 e prende il nome di cross-correlazione generalizzata.
1.1.1 Breve analisi matematica iniziale
Cross-correlazione e cross-spettro
Dati due segnali ricevuti r1(t) e r2(t), descritti dalla (1.1.1) ed ipotizzando α = 1 la
cross-correlazione e data dalla formula:
Rr1r2(τ) = E [r1(t)r2(t− τ)] , (1.1.2)
dove E denota l’aspettazione.
Knapp e Carter hanno osservato come il cross-spettro Gr1r2(f) e legato direttamente all’in-
formazione di potenza dei due segnali ed e relazionato alla cross-correlazione dall’analisi
di Fourier [7]. La (1.1.2) diviene cosı:
Rr1r2(τ) =
∫ ∞−∞
Gr1r2(f)ej2πfτdf . (1.1.3)
La cross-correlazione puo essere valutata anche nei seguenti termini:
Rr1r2(τ) = Rss(τ −D) +Rn1n2(τ) . (1.1.4)
Nella (1.1.4) il termine Rss(τ) rappresenta la funzione di auto-correlazione del segna-
le s1(t). La trasformata di Fourier della cross-correlazione restituisce il cross-spettro,
Gr1r2(f) come sottolineato precedentemente nella (1.1.2).
Gr1r2(f) = Gss(f)e−j2πfD +Gn1n2(f) . (1.1.5)
Si ipotizza ora che i rumori n1(t) e n2(t) siano Gaussiani non correlati, con questa ipotesi
Gn1n2(f) = 0.
Ricordando inoltre che una moltiplicazione nel dominio della frequenza corrisponde ad
una convoluzione nel tempo, la (1.1.5) si puo esprimere come:
Rr1r2(τ) = Rss(τ)⊗ δ(t−D) . (1.1.6)
La cross-correlazione generalizzata, citata precedentemente, e espressa dalla formula:
Rr1r2(τ) =
∫ ∞−∞
ψg(f)Gr1r2(f)ej2πfτdf , (1.1.7)
dove il termine ψg rappresenta una particolare funzione peso che verra valutata caso per
caso.
Knapp fa riferimento al fatto che i due segnali ricevuti devono essere filtrati [7]. Tuttavia
al fine della trattazione corrente e possibile ipotizzare, in prima approssimazione, che i
1.1 Introduzione 3
due segnali r1(t) e r2(t) siano limitati in banda.
La (1.1.7) si puo esprimere quindi con la seguente formula:
Rr1r2(τ) =
∫ +∞
−∞r1(t)r2(t− τ)dt . (1.1.8)
1.1.2 Non idealita
Un problema importante nel TDE e l’intervallo di osservazione, che ovviamente non puo
essere infinito come richiederebbe l’analisi teorica sopra descritta [7]. In pratica il cross-
spettro Gr1r2(f) e ottenuto da un periodo di osservazione finito di r1(t) e r2(t) e deve
essere stimato: Gr1r2(f). Questo, deriva dal fatto che la (1.1.8) non puo essere calcolata,
ma solo stimata:
Rr1r2(τ) =1
T
∫ T
0r1(t)r2(t− τ)dt , (1.1.9)
0 < τ < T ,
dove T rappresenta l’intervallo finito di osservazione. La (1.1.7) diviene quindi:
Rr1r2(τ) =
∫ ∞−∞
ψg(f)Gr1r2(f)ej2πfτdf . (1.1.10)
La stima del cross-spettro Gr1r2(f) puo presentare degli errori se l’intervallo di osservazione
e breve. Tuttavia se si ipotizza che il ritardo sia costante (come spesso accade) un intervallo
di osservazione finito non incide piu di tanto sulla stima del cross-spettro stesso.
Al fine di migliorare la stima del ritardo D i segnali ricevuti r1(t) e r2(t) andrebbero
filtrati, attraverso due filtri H1(f) e H2(f) come mostrato in Fig. 1.2.
Fig. 1.2: Schema ideale per il prefiltraggio prima della Correlazione
Se si ritiene necessario filtrare i segnali, la (1.1.7) diventa:
Ry1y2(τ) =
∫ ∞−∞
ψg(f)Gr1r2(f)ej2πfτdf . (1.1.11)
La relazione fra il cross-spettro dei segnali pre-filtrati e post-filtrati e il seguente:
Gy1y2(f) = H1(f)H∗2 (f)Gr1r2(f) , (1.1.12)
con:
ψg(f) = H1(f)H∗2 (f) . (1.1.13)
4 Time Delay Estimation
Se si ipotizza che i segnali ricevuti siano limitati in banda e quindi non e necessario nessun
filtraggio (H1(f) = H2(f) = 1), la stima del picco avviene determinando a quale valore
dell’ascissa si ha un picco nella funzione di cross-correlazione.
Un ulteriore problema riguarda la stima del SNR (signal to noise ratio, rapporto segnale-
rumore), che e associato all’intervallo di osservazione T ed interviene quindi sul TDE [6, 8].
Rumori aggiuntivi e riverbero del segnale possono portare ad una diminuzione del SNR
[9]. Se tale valore e grande, l’intervallo di osservazione per la stima di Gr1r2 puo essere
contenuto, viceversa l’intervallo deve essere molto piu lungo.
Molto spesso nella pratica e conveniente determinare un valore di soglia per l’ SNR e
dividere l’ascissa in intervalli a seconda se il SNR locale sia maggiore o minore della soglia.
Nel primo caso vi saranno solamente errori ti tipo locale, mentre nel secondo il TDE sara
completamente errato [9]. In [6] e descritto il comportamento “a soglia” appena descritto,
nella sezione riguardante le simulazione e possibile osservare quanto appena indicato.
1.2 Classificazione
1.2.1 Metodi basati sulla cross-correlazione generalizzata
I metodi basati sulla cross-correlazione generalizzata vengono applicati a partire dalla
(1.1.11) nella quale si ha una diversa funzione peso ψg(f) a seconda dei casi.
Cross-correlation method
E il piu semplice modo per stimare il ritardo, in quanto si parte dalla (1.1.11) e si ipotizza
che H1(f) = H2(f) = 1 ∀f , ovvero si assume che la funzione peso ψg(f) sia unitaria lungo
tutto l’intervallo di frequenza in esame. Il valore della correlazione fra i segnali r1(t) e
r2(t) e funzione del ritardo τ e indicato nella (1.1.9).
Per stimare il ritardo D bisogna calcolare iterativamente l’indice di correlazione seguente,
fino al raggiungimento del picco. Assumendo che la stima sia esatta si perviene a:
Rr1r2(τ) =1
T
∫ T
0r1(t)r2(t− τ)dt , (1.2.1)
0 < τ < T ,
dove T rappresenta l’intervallo di osservazione.
Il ritardo stimato DCC attraverso l’operazione di cross-correlazione avviene semplicemente
determinando il valore dell’ascissa τ al valore di picco di Rr1r2(τ)
DCC = argmax[Rr1r2(τ)] . (1.2.2)
La Fig. 1.3 mostra una possibile implementazione di un diagramma a blocchi per la
realizzazione della cross-correlazione.
1.2 Classificazione 5
Fig. 1.3: Schema per la valutazione della Cross-correlazione
Roth Processor
E il primo esempio di cross-correlazione generalizzata. Presenta la favorevole caratteristica
di eliminare la regione di frequenza dove la densita spettrale di potenza del rumore Gn1n1(f)
e Gn2n2(f) e alta e la stima del cross-spettro Gr1r2(τ) e quindi errata [7].
La funzione peso assume la forma:
ψg(f) =1
Gr1r1(f). (1.2.3)
La (1.1.10) diviene:
Rr1r2(τ) =
∫ ∞−∞
Gr1r2(f)
Gr1r1(f)ej2πfτdf . (1.2.4)
L’equazione (1.2.4) stima la risposta impulsiva di un particolare filtro Hm(f):
Hm(f) =Gr1r2(f)
Gr1r1(f), (1.2.5)
che approssima la mappatura di r1(t) in r2(t).
The Smoothed Coherence Transform (SCOT)
Il processo SCOT sopprime le zone di frequenza con rumore alto e assegna un peso pari a
zero alla regione dove Gs1s1(f) = 0. La funzione peso diviene:
ψg(f) =1√
Gr1r1(f)Gr2r2(f). (1.2.6)
La (1.1.11) assume quindi la forma:
Rr1r2(τ) =
∫ ∞−∞
Gy1y2(f)√Gr1r1(f)Gr2r2(f)
ej2πfτdf . (1.2.7)
6 Time Delay Estimation
Il metodo SCOT puo essere interpretato come un filtraggio di entrambi i segnali ricevuti,
come indicato nella Fig. 1.2, seguito da una cross-correlazione.
H1(f) =1√
Gr1r1(f), H2(f) =
1√Gr2r2(f)
. (1.2.8)
Se Gr1r1(f) = Gr2r2(f) la funzione peso SCOT diventa del tutto equivalente alla funzione
peso Roth.
Phase transform (PHAT) method
E il terzo esempio di cross-correlazione generalizzata in quanto si utilizza una funzione
peso, come descritto nella (1.1.7).
ψp(f) =1
|Gr1r2(f)|. (1.2.9)
La (1.1.10) assume quindi la forma:
Rr1r2(τ) =
∫ ∞−∞
Gr1r2(f)
|Gr1r2(f)|ej2πfτdf . (1.2.10)
Per il modello (1.1.1) ipotizzando rumore non correlato (i.e. Gn1n2(f) = 0) si perviene al
seguente risultato:
|Gr1r2(f)| = Gs1s1(f) . (1.2.11)
Idealmente nella zona di frequenza nella quale Gr1r2(f) uguaglia Gr1r2(f) si ha:
Gr1r2|Gr1r2(f)|
= ejϑ(f) = ej2πfD . (1.2.12)
Tale funzione ha modulo unitario ed e approssimabile ad un impulso:
Rr1r2(τ) = δ(τ −D) . (1.2.13)
Nella pratica tuttavia Gr1r2(f) 6= Gr1r2(f) e ϑ(f) 6= 2πfD quindi Rr1r2(τ) non sara una
funzione ad impulso, ma presentera comunque un picco corrispondente ad una ben precisa
ascissa temporale τ .
Gli errori maggiori si hanno nelle regioni di frequenza dove Gr1r2(f) ' 0 in quanto la fase
ϑ(f) tende ad essere indefinita. Per questo motivo ψp(f) deve tenere conto della possibile
assenza del segnale [7].
Il ritardo D viene determinato analogamente alla (1.2.2):
DPHAT = argmax[Rr1r2(τ)] . (1.2.14)
Il ritardoD e rappresentato dal massimo della funzione cross-correlazione (1.2.14), Gr1r2(f)
e il cross-spettro dei segnali ricevuti, come introdotto nella (1.1.3) mentre ψp(f) e la funzio-
ne peso per questo particolare caso. Ovviamente solo l’informazione sulla fase e mantenuta,
1.2 Classificazione 7
dopo che il cross-spettro viene diviso per il suo modulo [7, 9]. La Fig. 1.4 mostra una pos-
sibile implementazione di un diagramma a blocchi per la realizzazione della correlazione
PHAT [9].
Fig. 1.4: Schema per la valutazione della correlazione PHAT
Maximum likelihood (ML) method
Il metodo Maximum likelihood (massima verosimiglianza) e un ulteriore importante me-
todo nell’ambito della famiglia della cross-correlazione generalizzata (1.1.7) per la stime
del time-delay. La funzione peso ψML(f) e scelta per aumentare l’accuratezza della stima
attenuando il segnale nella regione spettrale dove il SNR e minore. Per un ottimo utilizzo
di questo metodo devono valere alcune ipotesi come:
• segnali gaussiani non correlati con rumore gaussiano;
• assenza di riverbero.
ψML(f) =1
|Gr1r2(f)||γ12(f)|2
1− |γ12(f)|2, (1.2.15)
dove:
|γ12(f)|2 =|Gr1r2(f)|2
Gr1r1(f) ·Gr2r2(f), (1.2.16)
e il termine di coerenza quadrato. Il termine fondamentale |γ12(f)|21−|γ12(f)|2 , pesa enormemente la
funzione correlazione nella banda di frequenze in cui il termine coerenza e vicino all’unita.
Il metodo ML pesa la fase del cross-spettro quando la varianza dell’errore di fase stimato
e la stessa.Gr1r2|Gr1r2(f)|
= ejϑ(f) . (1.2.17)
Nel caso pratico per stimare il ritardo bisogna sempre stimare, come al solito, dove la
funzione correlazione e massima (1.2.17).
DML = argmax[Rr1r2(τ)] . (1.2.18)
8 Time Delay Estimation
1.2.2 Average squared difference function (ASDF) method
Questo metodo consiste nel trovare la posizione del minimo errore quadratico medio fra i
due segnali rumorosi, tale posizione sara considerata come ritardo stimato [7, 10].
Tale metodo, in assenza di rumore, restituisce la stima esatta del ritardo D, a differenza
delle funzioni di correlazione [9]. Rispetto gli altri metodi, questo non richiede moltiplica-
zioni, e non e necessaria la conoscenza dello spettro d’ingresso, rendendolo particolarmente
utile nelle applicazioni e tempo discreto.
RASDF [τ ] =1
N
N−1∑n=0
[r1(n)− r2(n+ τ)]2 , (1.2.19)
DASDF = argmin[R12(τ)] . (1.2.20)
La (1.2.20) indica come il ritardo stimato D corrisponde al valore temporale dell’ascissa
associata al minimo della (1.2.19).
1.2.3 Least mean square (LMS) adaptive filter method
Il filtro adattativo LMS e un filtro a risposta impulsiva finita FIR (Finite Response Im-
pulse) che adatta i suoi coefficienti automaticamente per minimizzare la differenza media
al quadrato fra due ingressi, un segnale di riferimento e uno desiderato.
Assumendo che r1(n) sia il segnale di riferimento e r2(n) quello desiderato l’uscita del
filtro LMS y12(n) puo essere espressa come:
y12(n) = W T12(n)X12 , (1.2.21)
dove X12 = [r1(n), r1(n− 1), ...., r1(n−L+ 1)]T e lo stato del filtro che corrisponde ai piu
recenti campioni del segnale di riferimento. W12(n) e il vettore L-dimensionale dei pesi
del filtro all’istante n. L’errore di uscita, espresso con e12(n) e:
e12(n) = r2 −W T12(n)X12 . (1.2.22)
Il vettore dei pesi e implementato come segue:
W12(n+ 1) = W12(n) + µ12(n)X∗12(n) , (1.2.23)
dove * denota il complesso coniugato e µ e il coefficiente di retroazione che controlla il
grado di convergenza dell’algoritmo.
1.3 Metodi alternativi per il TDE 9
1.3 Metodi alternativi per il TDE
1.3.1 Introduzione
Considerando la (1.1.1) e ipotizzando α = 1:
r1(t) = s(t) + n1(t) ,
r2(t) = s(t−D) + n2(t) .(1.3.1)
La cross correlazione, descritta nella (1.1.9) e discretizzata per l’utilizzo di un programma
di calcolo, diviene:
Rr1r2[τ ] =1
N
N−1−τ∑n=0
[r1(n)r2(n+ τ)] . (1.3.2)
La (1.3.2) non e altro che una versione pratica della (1.2.1) nella quale i segnali r1(t) e
r1(t) sono stati discretizzati, ottenendo r1(n) e r1(n) al fine di avere un’equazione piu
adatta al controllo digitale. In particolare per entrambi, l’intervallo di osservazione e N-
dimensionale e gli istanti discreti n ∈ 0, 1, . . . , N − 1.
In assenza di ipotesi sul rumore la (1.3.2) si puo scrivere come sommatoria dei vari
componenti [10]:
Rr1r2[τ ] =1
N
N−1−τ∑n=0
[r1(n)r2(n−D + τ)]
=1
N
N−1−τ∑n=0
[s(n)s(n−D + τ)]
+1
N
N−1−τ∑n=0
[s(n)n1(n−D + τ)]
+1
N
N−1−τ∑n=0
[n2(n)s(n−D + τ)]
+1
N
N−1−τ∑n=0
[n1(n)n2(n−D + τ)] . (1.3.3)
Se, si ipotizza segnale limitato in banda e rumore scorrelato, i termini della (1.3.3) che
eseguono la correlazione fra il segnale e una delle componenti del rumore si annullano:
Rr1r2[τ ] =1
N
N−1−τ∑n=0
[s(n)s(n−D + τ)] = Rss[τ −D] . (1.3.4)
La (1.3.4) si puo considerare come una versione discretizzata della (1.1.6), vista preceden-
temente.
1.3.2 Stimatori MSX e MXS
I metodi precedentemente analizzati, basati sulla cross-correlazione semplice o generaliz-
zata si dimostrano ottimi quando il rapporto SNR e sopra un livello di soglia, mentre
10 Time Delay Estimation
possono portare ad una stima errata in caso contrario. In presenza di un ambiente rumo-
roso infatti la stima del delay diventa completamente errata.
Per ovviare a questo problema sono stati introdotti i stimatori MSX e MXS, come descrit-
to da K. Nandi nel suo articolo [10].
La (1.3.2), se il rumore non puo essere ipotizzato scorrelato dal segnale di riferimento
diventa:
E [Rr1r1(τ)] = E [1
N
N−1−τ∑n=0
(s(n)s(n+ τ))
+1
N
N+τ∑n=0
(n1(n)n2(n+ τ))]
= Rss(τ) + σ2n1δ(t) . (1.3.5)
Vale cosı che per ogni τ 6= 0,
E [Rr1r1] = Rss(τ) = E [Rr1s(τ +D)] . (1.3.6)
In modo simile per τ 6= D,
E [Rr1r2(τ)] = Rss(τ −D) = E [Rr1r1(τ −D)] . (1.3.7)
L’approccio MXS consiste nel scegliere un valore per τr1r2 e calcolare Rr1r2(τr1r2), resta
ora da determinare il valore di τ tale che Rr1r1(τ) sia il piu possibile vicino a Rr1r2(τr1r2).
Si determina successivamente un valore di τr1r1 tale che Rr1r2(τr1r2) = Rr1r1(τr1r1) usando
una formula di interpolazione quadratica, presente nell’articolo di K. Nandi [10]. Il ritardo
stimato DMXS assume quindi la forma:
DMXS = τr1r2 − τr1r1 . (1.3.8)
Gli autori descrivono la necessita di determinare piu valori di τr1r2 e quindi di DMXSe di
operare infine un media fra queste, al fine di ottenere una stima robusta del time delay D.
Il metodo MSX e molto simile al precedente. In questo caso l’ autocorrelazione Rr1r1(τ)
del primo segnale rumoroso e comparata con la cross-correlazione fra il segnale sorgente
s(t) e la sua versione ritardata e rumorosa r2(t) Rr2r1(τ).
E [1
N − τ
N−1−τ∑n=0
(s(n−D)s(n+ τ))] = Rr1r2(τ +D) , (1.3.9)
dove, per un dato τr2r1 viene determinato τr1r1 dall’interpolazione quadratica. Il ritardo
stimato DMSX assume quindi la forma:
DMSX = τr1r1 − τr2r1 . (1.3.10)
1.3 Metodi alternativi per il TDE 11
1.3.3 Altri metodi
Al giorno d’oggi, la ricerca riguardante nuovi metodi relativi al TDE avviene migliorando o
accostando i metodi di base, esistenti da molti anni con studi e ricerche attuali. Un nuovo
algoritmo puo, ad esempio si puo ottenere discretizzando la funzione ci cross-correlazione
generalizzata, elaborando i campioni di segnali ricevuti ed riportando il tutto nel dominio
del tempo [11]. Un’altra area di ricerca porta all’accostamento delle tecniche di subspace
decomposition per l’analisi del TDE nei sistemi MIMO [12].
12 Time Delay Estimation
1.4 Riferimenti
[6] John P. Ianniello. Threshold effects in time delay estimation via crosscor-
relation.1968
La stime del TDE per un segnale ricevuto da due sensori con rumore sovrapposto pre-
senta un valore di soglia, al di sotto del quale i risultati sono inattendibili. Se il valore
SNR diminuisce la probabilita che la stima sia errata aumenta in modo consistente. In
quest’articolo sono presentati i risultati sulla determinazione probabilistica di una stima
errata.
[7] C. G. Carter C. H. Knapp. The generalized correlation method for esti-
mation of time delay. 1976.
Descrive i metodi illustrati nel corso della trattazione, a partire da un sistema model-
lato secondo la (1.1.1). In particolare viene sucessivamente implementato uno stimatore
a massima verosimiglianza per un sistema a due sensori, costituito da un’azione di prefil-
traggio su entrambi i dispositivi seguita da una correlazione. Qualitativamente il ruolo dei
pre-filtri e quello di aumentare l’ampiezza del segnale alle frequenze alle quali il rapporto
segnale-rumore e piu alto, sopprimendo, contemporaneamente la potenza del rumore.
[8] John P. Ianniello. Time delay estimation via cross-correlation in the pre-
sence of large estimation error. 1982.
Quest’articolo presenta l’errore sulla stima del TDE dello stesso segnale ricevuto da due
sensori localmente spaziati, ognuno dei quali presenta un rumore sovrapposto non cor-
relato. E’ mostrato come dopo un’eventuale integrazione del segnale, in alcune zone di
frequenza il possibile errore sulla stima del TDE aumenta rapidamente.
[9] Walled H.Abdulla Yushi Zhang. A Comparative Study of Time-Delay Esti-
mation Techniques Using Microphone Arrays. Department of Electrical and
Computer Engineering The University of Auckland, 2005.
La stima del ritardo fra due segnali (TDE) ricevuti a due microfoni e utile per nume-
rose applicazioni. Sono presentati cinque metodi: cross-correlazione semplice (CC), phase
transform (PHAT), maximum likelihood estimator (ML), adaptative least mean square
filter (LMS) e average square difference function (ASDF). Sono presenti delle simulazioni,
al fine di comparare tali metodi in termini di onerosita computazionale, implementazione
hardwere, precisione ed accuratezza. Le prestazioni di tutti i metodi sono variabili in
funzione del rapporto segnale-rumore.
[10] K. Nandi. On the subsample time delay estimation of narrowband ul-
trasonic echoes. 1995
1.4 Riferimenti 13
La correlazione basata sul TDE, ottima in presenza di alcune condizioni, mostra un ben
noto effetto-soglia che ne peggiora le prestazioni in presenza di un basso rapporto segnale-
rumore. La presenza di un rumore elevato impedisce infatti la determinazione di un unico
picco e la conseguente stima corretta del ritardo. Vengono presentati in quest’articolo due
nuovi stimatori denominati MSX e MXS per segnali limitati in banda. Questi stimatori
la cross-correlazione e l’autocorrelazione e realizzata per un numero differente di campioni
per ottenere un numero di stime che vengono successivamente combinate per ottenere una
stima robusta del ritardo.
[11] Liyan Zhang and Li Jun Zhang. A gcc time delay estimation algorithm
based on wavelet transforml. 2010.
Quest’articolo introduce u nuovo algoritmo per la stima del TDE che applica una di-
scretizzazione per la cross.correlzaione generalizzata. Tale algoritmo prima prende in
considerazione i due segnali ricevuti dai sensori separatamente, poi applica separatamente
la GCC per stimare una soglia per la stima del TDE. Alla fine i risultati vengono riportati
nel dominio del tempo.
[12] Jafar Shalchian, Ali Khaki-Sedigh, and Alireza Fatehi. A subspace ba-
sed method for time delay estimationl. 2010
Le stime dei ritardi fra segnali e un aspetto comune nei processi industriali. Viene propo-
sto un metodo basato sulla stima dell funzione di trasferimento di un processo, a partire
dalla conoscenza dell’ingresso e dell’uscita. Questo avviene dalla combinazione di due noti
approcci: TDE, ricavato dalla risposta impulsiva e subspace decomposition. Tale metodo
puo essere facilmente implementato nei sistemi MIMO.
14 Time Delay Estimation
1.5 Presentazione delle simulazioni realizzate
1.5.1 Prima simulazione
Creazione dei segnali
La prima simulazione, presente nel file prima_TDE consiste nell’analizzare un particolare
segnale, traslarlo di una certa quantita temporale e realizzare un programma che determini
tale ritardo grazie ad alcuni metodi di Cross-correlazione analizzati nelle sezioni prece-
denti.
Si Consideri un segnale sorgente della libreria Matlab s(t), visibile in Fig. 1.5 ed indicato
nel codice Matlab con il nome signal1. Al fine della simulazione non e necessario indicare
l’orizzonte in termini temporali, per questo motivo l’ascissa viene discriminata in campioni
arbitrari.
0 500 1000 1500 2000 2500 3000 3500 4000
−2
−1
0
1
2
3
unità
arb
itrar
ia
campioni temporali
Primo segnale
Primo segnale
Fig. 1.5: Segnale di partenza
Traslando di una certa quantita il segnale signal1 si ottiene un nuovo segnale denominato
signal2, il ritardo fra i due puo essere impostato direttamente dall’utente agendo sulla
variabile delay che in questo caso e uguale a 325 campioni.
Per rendere i segnali piu vicini ad una caratterizzazione reale viene sommato ad entrambi
del rumore bianco di tipo gaussiano, indicato con noise1 e noise2. Nella Fig. 1.6 si puo
notare inoltre la caratterizzazione statistica che presenta un media pari a zero ed una
varianza unitaria.
Vengono ottenuti i segnali r1(t) e r2(t) visibili in Fig. 1.7 e presenti nel codice con il nome
noisysignal1 e noisysignal2.
1.5 Presentazione delle simulazioni realizzate 15
0 500 1000 1500 2000 2500 3000 3500 4000
−0.2
0
0.2
Rumore bianco gaussiano
unità
arb
itrar
iacampioni temporali
−0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.40
500
1000
1500Istogramma del rumore bianco gaussiano
Varianza
Cam
pion
i
Fig. 1.6: Rumore sovrapposto
0 1000 2000 3000 4000 5000
−2
−1
0
1
2
3Segnali in analisi
unità
arb
itrar
ia
campioni temporali
Primo segnaleSecondo segnale
Fig. 1.7: Segnali in analisi
Realizzazione delle funzioni di correlazione
La simulazione provvede a realizzare le funzioni di correlazione per i metodi CC, PHAT,
MLS, ASDF stimando il valore del ritardo.
La semplice cross-correlazione viene determinata semplicemente attraverso la funzione
xcorr e l’ausilio della semplice porzione di codice:
cccorrelation=xcorr(noisysignal1,noisysignal2); %metodo CC
[ccmaximum cctime]=max(cccorrelation);
ccestimation=abs(assumesignallength-cctime);
cccorrelation=cccorrelation/ccmaximum;
16 Time Delay Estimation
Il luogo dei punti cccorrelation rappresenta la cross-correlazione visualizzata sull’inter-
vallo di tempo assumesignallength e visibile in Fig. 1.8, l’ampiezza viene divisa per il
valore massimo ccmaximum in modo da poter essere espressa in forma normalizzata. Tale
operazione viene eseguita anche per le altre funzioni di correlazione generalizzata in modo
da poter eseguire un eventuale confronto in sede di commento.
280 290 300 310 320 330 340 350 360 370
−0.2
0
0.2
0.4
0.6
0.8
Cross−correlazione CC
cros
s−co
rrel
azio
ne
campioni temporali
CC
Fig. 1.8: Cross-correlazione CC
La correlazione mediante metodo PHAT viene realizzata grazie ad una funzione peso ψp(f)
descritto nella (1.2.9) e presente nel codice con la variabile phatfilter. La funzione ot-
tenuta viene denominata gcccorrelation ed e visibile in Fig. 1.9.
280 290 300 310 320 330 340 350 360 370
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Cross−correlazione PHAT
cros
s−co
rrel
azio
ne
campioni temporali
PHAT
Fig. 1.9: Cross-correlazione PHAT
La correlazione mediante metodo ML prevede la realizzazione di un funzione di coerenza
quadrata γ12(f) descritto nella (1.2.16) ed indicato con coherence. Tale variabile permet-
1.5 Presentazione delle simulazioni realizzate 17
te di realizzare la funzione di correlazione vera e propria e visibile in Fig. 1.10, indicandola
con il nome mlcorrelation.
280 290 300 310 320 330 340 350 360 370
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Cross−correlazione ML
cros
s−co
rrel
azio
ne
campioni temporali
ML
Fig. 1.10: Cross-correlazione ML
La correlazione mediante il metodo ASDF viene realizzata eseguendo direttamente la
(1.2.19), visualizzando il valore dell’errore quadratico medio (error) ed osservando dove
questo e minimo. Il risultato e visibile in Fig. 1.11.
0 100 200 300 400 5000
500
1000
1500
2000
2500
3000
3500
4000
4500
5000Cross−correlazione ASDF
campioni temporali
erro
re q
uadr
atic
o
ASDF
Fig. 1.11: Correlazione ASDF
Il valore del ritardo stimato si ottiene osservando a quale valore dll’ascissa corrisponde il
massimo delle Fig. 1.8, 1.9, 1.10 e dal minimo della Fig. 1.11. Si puo notare inoltre come
il valore restituito sia uguale a quello impostato.
ccestimation =
18 Time Delay Estimation
325
gccestimation =
325
mlestimation =
325
asdfestiamtion =
325
Il codice determina anche il livello (in dB) del rapporto SNR che in questo particolare
caso e di 16, 36 dB.
snr =
16.3589
Nel prossimo paragrafo e nella seconda simulazione vengono ampiamente discussi i risultati
in base alla variazione di rumore.
Assenza di rumore
La simulazione precedente ha mostrato alcuni risultati per un certo valore di rumore.
Annullando il rumore mediante la semplice operazione:
noise1=zeros(signallength,1);
noise2=zeros(signallength,1);
i risultati per i metodi CC, PHAT ed ML sono visibili in Fig. 1.12 . La correlazione ASDF
non presenta sostanziali differenze rispetto al grafico Fig. 1.11, pertanto viene tralasciato.
1.5 Presentazione delle simulazioni realizzate 19
280 290 300 310 320 330 340 350 360 3700
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Cross−correlazione CC
cros
s−co
rrel
azio
ne
campioni temporali
CC
280 290 300 310 320 330 340 350 360 370
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Cross−correlazione PHAT
cros
s−co
rrel
azio
ne
campioni temporali
PHAT
280 290 300 310 320 330 340 350 360 370
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Cross−correlazione ML senza rumore
cros
s−co
rrel
azio
ne
campioni temporali
ML
Fig. 1.12: Correlazione per i metodi CC, PHAT e ML in assenza di rumore
1.5.2 Seconda simulazione
Creazione dei segnali
La seconda simulazione vuole evidenziare l’effetto del rumore sulla stima del ritardo. Come
precedentemente discusso un valore troppo alto di rumore (corrispondente ad un fattore
SNR basso) puo causare una stima inesatta che rende i risultati inutilizzabili [9]. Per
questo motivo e bene determinare un valore del TDE di soglia [6], ampiamente descritto
nei paragrafi precedenti.
Il segnale originale e lo stesso della simulazione precedente (Fig. 1.5) denominato signal1,
il quale viene traslato dello stesso ritardo della simulazione precedente delay=325, al fine
di ottenere il segnale traslato signal2.
Ambedue i segnali vengono iterativamente ridotti, fino ad ottenere un’ampiezza pari al
0.20 dell’ampiezza iniziale con passi di 0.02 secondo il parametro scale che viene incre-
mentato da 0.2 a 1.scale=0.2:0.02:1.
Ad entrambi i segnali viene successivamente sommato un rumore bianco gaussiano del tut-
to simile a quello presente in Fig. 1.6. Poiche l’ampiezza dei segnali di partenza diminuisce
volta per volta mentre l’ampiezza del rumore resta immutata il valore SNR diminuisce dra-
sticamente fino ad arrivare a valori negativi. Nel caso di massima attenuazione i segnali
noisysignal1 e noisysignal2 sono visibili in Fig. 1.13 e 1.14.
20 Time Delay Estimation
0 500 1000 1500 2000 2500 3000 3500 4000−5
−4
−3
−2
−1
0
1
2
3
4
campioni temporali
unità
arb
itrar
ia
Primo segnale rumoroso (dopo la scalatura)
Primo segnale
Fig. 1.13: Primo segnale
0 500 1000 1500 2000 2500 3000 3500 4000−5
−4
−3
−2
−1
0
1
2
3
4
5Secondo segnale rumoroso (dopo la scalatura)
unità
arb
itrar
ia
campioni temporali
Secondo segnale
Fig. 1.14: Secondo segnale
Realizzazione dei grafici per la valutazione del SNR di soglia
Si procede successivamente a determinare il ritardo per i metodi CC, PHAT e ML per
ognuno dei segnali iterativamente creati, per una valore di SNR decrescenti.
I grafici riportati in Fig. 1.15, 1.16 e 1.17 presentano sulle ascisse la scala dei valori di
SNR, mentre sulle ordinate vi e la stima del ritardo in campioni, corrispondente ad ogni
valore di SNR.
E’ possibile notare come per ogni grafico vi e un valore di soglia al di spora del quale il
ritardo temporale in campioni e esatto (325), mentre al di sotto del quale la stima e com-
pletamente errata. Si puo affermare quindi che la correlazione stima il valore del ritardo
fino ad un certo valore del rumore [6].
1.5 Presentazione delle simulazioni realizzate 21
−18 −16 −14 −12 −10 −8 −6 −4 −20
50
100
150
200
250
300
350
SNR
cam
pion
i tem
pora
li
Valutazione del SNR di soglia
CC
Fig. 1.15: SNR di soglia per CC
−18 −16 −14 −12 −10 −8 −6 −4 −20
100
200
300
400
500
600
SNR
cam
pion
i tem
pora
li
Valutazione del SNR di soglia
PHAT
Fig. 1.16: SNR di soglia per PHAT
22 Time Delay Estimation
−18 −16 −14 −12 −10 −8 −6 −4 −20
100
200
300
400
500
600
700
SNR
cam
pion
i tem
pora
li
Valutazione del SNR di soglia
ML
Fig. 1.17: SNR di soglia per ML
I grafici presenti in Fig. 1.15, 1.16, 1.17 cambiano tuttavia caso per caso in quanto la
funzione randn() varia il rumore in modo casuale per ogni esecuzione del codice. La Tab.
1.1 elenca i risultati per 12 esecuzioni del codice.
Tab. 1.1: Variazione del SNR di soglia per 12 prove
CC PHAT ML
dB dB dB
-13 -8 -13
-15 -11 -9
-10 -8 -9
-11 -9 -8
-12 -10 -11
-9 -7 -9
-14 -9 -12
-13 -12 -10
-11 -9 -9
-13 -12 -10
-11 -9 -9
-13 -12 -9
Il livello di soglia medio per l’SNR per i tre metodi e:
• CC -12.1 dB;
• PHAT -9.5 dB;
• ML -9.9 dB.
1.5 Presentazione delle simulazioni realizzate 23
1.5.3 Conclusioni
La prima simulazione ha mostrato come la correlazione PHAT sia adatta al fine di sop-
primere i picchi adiacenti a quello relativo alla stima del ritardo. Osservando la Fig. 1.9
si puo osservare infatti come l’effetto della pesatura ψp(f) intervenga in modo favorevole,
lasciando inalterato il picco corrispondente al valore temporale D. Negli altri due metodi
basati su cross-correlazione generalizzata (Fig. 1.8 e 1.10) vi sono dei picchi percentual-
mente molto piu alti.
In caso di assenza di rumore si puo osservare dalla Fig. 1.12 come la funzione di corre-
lazione PHAT sia un vero e proprio impulso δ(t − D), come descritto nella (1.2.13). La
correlazione di tipo ML, visibile in Fig. 1.10 mostra alcune zone con una valore alto, al-
ternate ad alcune zone con un valore molto basso. Questo comportamento e dovuto alla
funzione di coerenza γ12(f) che sopprime alcune zone di frequenza a discapito di altre [7].
Nella seconda simulazione si e visto come l’aumento di rumore abbia influito direttamente
sulla stima del ritardo D.
Per un ambiente simulato si puo osservare dalla Tab. 1.1 come il comportamento peg-
giore sia mediamente quello relativo al metodo PHAT in quanto il valore SNR di soglia
sia quello piu alto. Il metodo CC sembra avere una buona reiezione al rumore mentre il
comportamento del metodo ML varia caso per caso (talora buono, talora meno buono), al
variare del segnale rumoroso e della funzione γ12(f). Nel caso in esame (Fig. 1.17) l’ SNR
di soglia e il piu basso dei tre casi in esame ma ripetendo la simulazione con un diverso
rumore il comportamento puo talvolta essere peggiore.
Se l’ambiente fosse reale tuttavia il metodo PHAT sarebbe quello con un SNR piu basso
e con una funzione di correlazione sempre piu tendente ad un impulso δ(t − D) come se
non fosse presente nessun rumore [9]. Tale comportamento non e riscontrato con i metodi
CC ed ML nei quali al crescere del rumore crescono anche i picchi adiacenti a quello di
riferimento, fino a provocare un’errata stima poiche aumenta anche l’SNR di soglia [9].
Tale fenomeno e dovuto al fatto che l’ipotesi di rumore scorrelato non e sempre verificata.
In linea teorica si ha:
Rr1r2(τ) = Rss(τ) +Rsn1(τ) +Rsn2(τ) +Rn1n2(τ) . (1.5.1)
Poiche si puo assumere che il segnale ed i rumori siano scorrelati fra loro, si ha che:
Rsn1(τ) = Rsn2(τ) = 0. Non si puo tuttavia affermare la stessa cosa per i due rumori,
infatti il termine Rn1n2(τ) nel caso di ambiente reale non e mai nullo, a differenza di quello
simulato.
Nel metodo PHAT infatti solo la fase e preservata, un cambiamento di ambiente da normale
a piu rumoroso non incide piu di tanto sul TDE, ed il SNR di soglia non varia come negli
altri metodi. Anche il metodo ASDF presenta delle buone caratteristiche all’aumentare
del rumore, rendendolo adatto per applicazioni con proprieta computazionali non molto
elevate.
Capitolo 2
Metodi di stima della posizione
2.1 Introduzione
Nel capitolo 1, si sono studiati i metodi di stima del ritardo fra segnali e i vantaggi e gli
svantaggi degli uni rispetto agli altri. In questo capitolo vengono presentati alcuni con-
cetti di base per studiare come la stima del ritardo fra segnali possa essere utilizzata, al
fine di poter determinare la posizione di un’eventuale sorgente. Si inserisce il concetto di
localizzazione: ovvero la stima della posizione di un’elemento in un particolare sistema di
riferimento fissato e costante.
In generale la localizzazione puo interessare una sorgente acustica, una sorgente elettroma-
gnetica che emette direttamente il segnale (ad esempio GPS) o eventualmente un oggetto
che riflette una segnale (localizzazione di target per mezzo di radar).
2.2 DOA
Il termine DOA (Direction Of Arrival) determina la stima della direzione di una sorgente
da parte di un’array di antenne [13]. Questa caratteristica puo essere sfruttata realizzando
piu array localmente spaziati, i quali determinano ognuno una direzione. L’utilizzazione
di piu stime DOA da parte di piu sensori, aumenta ovviamente l’accuratezza della loca-
lizzazione, come visibile in Fig. 2.1.
E possibile osservare come un unico array di antenne possa determinare una direzione di
arrivo (DOA). Un sistema formato da tre componenti S1, S2, S3 di questo genere puo
determinare tre direzione d’arrivo, l’intersezione delle quali rappresenta la stima della po-
sizione della sorgente.
I metodi di stima del DOA vengono spesso utilizzati nel contesto delle telecomunicazioni
e nella tecnologia radar associandoli con altre tecniche, in modo da ottenere metodi di
stima delle posizione piu performanti.
25
26 Metodi di stima della posizione
Fig. 2.1: Localizzazione grazie alla stima DOA
2.2.1 Metodi di stima
Vi sono numerosi metodi di stima per il DOA, alcuni verranno riportati in seguito. Si
assuma un array di antenne lineare ed uniforme visibile in Fig. 2.2 e presente in [13].
Una schiera di antenne si definisce lineare ed uniforme quando i vari componenti sono
allineati lungo una stessa retta ed equispaziati di una stessa quantita.
Fig. 2.2: Array di antenne lineare ed uniforme
L’array, e composto da N antenne, visibili in Fig. 2.2 con la denominazione 1, 2, . . . , N .
I termini w1, . . . , wN sono i coefficienti di pesatura che verranno descritti in seguito. Le
2.2 DOA 27
elaborazioni realizzate dall’interfaccia per ogni antenna vengono processate da un’unita
finale Σ con l’obiettivo di determinare una stima della direzione di arrivo.
Il segnale, prodotto da una sorgente ed avente lunghezza d’onda λ, raggiunge le antenne in
tempi diversi. θ e l’angolo con cui il segnale incide sulle antenne, come visibile in Fig. 2.2.
Si consideri come riferimento l’antenna 1, con s(t) il segnale che la raggiunge, l’antenna
2 viene investita da una versione anticipata di s(t), con un anticipo che vale dsen(θ)c , con
c velocita di propagazione, lo si puo considerare come un ritardo di valore −dsen(θ)c , per
valori positivi di θ. I segnali raggiunti dalle varie antenne si possono considerare secondo
la trattazione seguente (escludendo per il momento il rumore):
s1(t) = s(t)
s2(t) = s(t− τ21) ,
s3(t) = s(t− τ31) ,
s4(t) = s(t− τ41) ,
.......................
sN (t) = s(t− τN1) ,
(2.2.1)
dove:
τij = −dijsen(θ)
c, (2.2.2)
rappresenta il time delay ovvero la differenza temporale fra i segnali al punto i e al punto
j e dij e la distanza fra l’antenna i-esima e quella j-esima, determinabili facilmente per via
dell’uniformita. Un array di antenne come quello illustrato nella Fig. 2.2 viene denominato
unilaterale, ovvero l’angolo θ puo essere determinato solamente se assume valori fra −π2 e
+π2 [13].
Adaptative Beamforming
La tecnica beamforming consiste nell’ottimizzare i segnali provenienti da una determinata
direzione e attenuare i segnali provenienti dalle altre [13, 14], la direzione che restituisce
la maggiore potenza d’uscita viene indicata come DOA del segnale. Tale principio viene
realizzato implementando un particolare algoritmo che pesa in modo diverso le porzioni
di segnali provenienti dalle varie direzioni (i pesi sono i termini w in Fig. 2.2 ).
Viene riportato in seguito un algoritmo denominato MVDR (Minimum Variance Distor-
sionless Response) presente in [13, 14].
Si consideri di nuovo la Fig. 2.2, costituita da N sensori equi-spaziati. Un numero M
di sorgenti di segnali, limitati in banda, raggiunge le varie antenne con angoli differenti,
denominati θi (con i = 1, 2, ....,M). Ad un particolare istante k il segnale x(t) puo essere
definito come [13, 14]:
x(t) =M∑m=1
a(θm)sm(t) , (2.2.3)
dove s(t) e un vettore M × 1 della forma d’onda sorgente, mentre a(θ) e un vettore N × 1
di risposte dell’array:
a(ϕ) = [1, e−jϕ, ..., e−jϕ(N−1)]T , (2.2.4)
28 Metodi di stima della posizione
dove ϕ e legato direttamente ai vari time delay τij visti nella (2.2.1).
x(t) si puo quindi esprimer in forma matriciale:
x(t) = As(t) , (2.2.5)
dove: A e la matrice caratteristica dell’array.
L’uscita dell’array consiste nel segnale x(t) piu il rumore n(t):
u(t) = x(t) + n(t) , (2.2.6)
Tale equazione puo essere espressa anche in forma matriciale:
U = AS + N , (2.2.7)
dove: U e la matrice M × K delle sorgenti d’onda mentre N e la matrice del rumore
N ×K.
In questo contesto si in inserisce il concetto di matrice di correlazione R del segnale
osservato u(t):
R = E [u(t)u(t)∗] , (2.2.8)
dove E rappresenta l’aspettazione. La (2.2.8) si puo esprimere come:
R = E [Au(t)u(t)∗A∗] + E [n(t)n(t)∗] . (2.2.9)
La massima potenza d’uscita, si ha quando il rumore e ortogonale al vettore in esame
della matrice A. Questa tecnica minimizza il contributo delle interferenze indesiderate,
massimalizzando invece la potenza di uscita lungo la direzione principale [13]. Deve cioe
avvenire:
minE|y(θ)|2] = min(w∗Rww∗A = 1) . (2.2.10)
Invertendo la (2.2.10) e possibile determinare la matrice di funzione peso ottima w. Si
giunge infine allo spettro angolare definito in [13, 14]. Esso rappresenta la distribuzione
della densita spettrale potenza (PSD, Power Spectral Density) su un’ascissa angolare θ. La
funzione descritta precedentemente viene denominata P (θ)MVDR e viene descritta come
segue:
P (θ)MVDR =1
A∗R−1A. (2.2.11)
La Fig. 2.3 mostra un grafico che raffigura uno spettro angolare per un metodo di beam-
forming.
La stima del DOA avviene direttamente determinando il massimo nel grafico della funzio-
ne P (θ)MVDR e osservando a quale valore di ascissa θ corrisponde.
Il grafico mostrato in Fig. 2.3 mostra come la DOA stimata sia attorno ai 30◦. Una stima
piu precisa richiede tuttavia l’utilizzo di algoritmi alternativi.
2.2 DOA 29
Fig. 2.3: Esempio di spettro angolare ottenuto grazie ad un metodo di beamforming
Algoritmo MUSIC
E’ un algoritmo ad elevata risoluzione (Multiples signal classification), che determina
numerose informazione sui segnali incidenti e DOA di ognuno [13, 15]. Se vi sono D
segnali incidenti, il vettore ricevuto da un array M-dimensionale e espresso nella forma:
u =D∑l=1
a(Φl)Sl + n = AS + n , (2.2.12)
dove A e la matrice dei vettori direzionali :
A = [a(Φ1), a(Φ2), .., a(ΦD)] , (2.2.13)
S e il vettore dei segnali ed n e il vettore del rumore sovrapposto. I vettori ricevuti e i
vettori direzionali possono essere visualizzati come una matrice M ×M . La matrice di
covarianza in ingresso [13] e pari a:
Ruu = E[uu∗] = ARssA∗ + σ2
n , (2.2.14)
dove σ2n e la covarianza del vettore-rumore e Rss e la matrice di autocorrelazione del
segnale.
Gli autovalori di Ruu appartengono ad uno dei due sottospazzi ortogonali, quello principale
(del segnale) di dimensione D o quello secondario (del rumore) di dimensione N −D. Il
piu piccolo autovalore di Ruu e uguale a σ2n e gli autovettori qi con i = D + 1...M . I
D vettori direzionali giacciono nel sottospazio del segnale e sono ortogonali a quello del
rumore.
Cercando in tutti i vettori direzionali dell’array quelli che sono ortogonali agli autovettori
del rumore qi si determinano le varie DOA Φ1,Φ2, ....,ΦD. Per formare il sottospazio
del rumore e necessario formare una matrice Vn contenente gli autovettori del rumore qi.
Quindi a∗(Φ)VnV∗na(Φ) rappresenta la DOA di un segnale proveniente da diverse direzioni.
30 Metodi di stima della posizione
Essa puo essere stimata nella pratica determinando il picco dello spettro angolare MUSIC
P (φ), visibile ad esempio in Fig. 2.4.
P (φ) = E[1
a∗(Φ)VnV∗na(Φ)] . (2.2.15)
Fig. 2.4: Esempio di spettro angolare ottenuto grazie all’algoritmo MUSIC
La Fig. 2.4 si riferisce alla stima del DOA per un unico segnale proveniente con un θ di 30◦
rispetto al riferimento. Rispetto a quanto visibile in Fig. 2.3 il minor intervallo angolare
relativo al picco massimo permette una miglior precisione nella stima.
Se fossero presenti piu segnali, ognuno incidente con un determinato θ lo spettro angolare
sarebbe costituito da piu picchi, ognuno dei quali rappresenterebbe il DOA stimato.
Stima del DOA mediante tecniche alternative
Le tecniche presentate precedentemente sono le piu utilizzate per la stima del DOA. In
letteratura sono presenti numerose tecniche alternative basate ad esempio su algoritmi
LMS (massima verosimiglianza) nel quale viene aggiornata passo-passo una matrice dei
pesi w (come visto in figura 2.2) [13] al fine di rendere un segnale di uscita uguale ad un
riferimento.
Altri metodi, secondari sono basati su un particolare utilizzo di una matrice di cross-
correlazione oppure vengono realizzati grazie varianti degli algoritmi visti precedentemente
[15]. In tutti questi viene determinato come ultimo passo uno spettro angolare PΦ (simile
a quello presente in Fig. 2.3 e 2.4) del quale bisogna determinare il picco e l’escissa cor-
rispondente (l’angolo θ). Per questo motivo spesso in letteratura oltre a DOA si parla di
AOA (Angle of Arrival). Le tecniche DOA sono molto utilizzate nella tecnologia wireless
e possono essere impiegate nella localizzazione di target mediante radar, in cooperazione
con altre tecniche di localizzazione.
2.3 TOA 31
2.3 TOA
Il termine TOA Time of Arrival indica la differenza temporale assoluta fra l’invio di un se-
gnale da parte di un trasmettitore e la sua ricezione da parte di un ricevitore. Tale termine
e molto utilizzato della comunicazione wireless, nella ricezione e nell’invio dati da parte
di sistemi di trasmissione e nella localizzazione in generale [16]. Tale tecnica viene molto
utilizzata nell’ambito dell’human detection mediante radar, nella fase di localizzazione.
2.3.1 Ranging
Il processo tramite il quale si ricava la distanza tra i nodi riferimento e il dispositivo di
posizione incognita prende il nome di ranging. Il funzionamento di tali tecniche si basa
sull’analisi di un segnale che si suppone abbia attraversato la distanza (o multipli di essa)
che si desidera stimare. Nella localizzazione si parla di metodi time based ranging nei quali
si stima la distanza a partire dal tempo di propagazione τ secondo la relazione:
d = τ · c , (2.3.1)
con c velocita di propagazione.
La stima di τ avviene misurando il ritardo fra segnale inviato e ricevuto. Nella comuni-
cazione wireless e necessario un clock accurato e sincronizzato da parte di trasmettitore e
ricevitore per poter determinare τ con la miglior precisione possibile.
Nel caso di localizzazione mediante radar, sono necessari una serie di passi di pulizia del
segnale ricevuto per poter applicare un algoritmo [16] che, in seguito alla stima di τ con-
senta la determinazione dei luoghi di punti di appartenenza dell’oggetto da localizzare. Il
termine TOA si inserisce quindi in entrambi in contesti.
2.4 TDOA
Il termine TDOA (Time Difference of Arrival) consiste nella differenza temporale fra due
segnali ricevuti, tale tecnica e molto utilizzata nell’identificazione della posizione di un
emettitore e nella tecnologia radar. Vi sono numerosi metodi per la stima del TDOA,
in seguito vengono riportati alcuni dei piu comuni presenti in letteratura [15]. Spesso il
TDOA consiste nella semplice differenza fra il TOA di due segnali ricevuti, come accade
ad esempio nella tecnologia radar. Un problema molto comune e presentato in Fig. 2.5,
dove un trasmettitore emette un segnale che si propaga e viene ricevuto da piu ricevitori.
Si consideri il vettore (di posizione), sconosciuto che indica la posizione del trasmettitore
E.
E = (x, y, z) . (2.4.1)
Si supponga vi siano N+1 sensori, di posizione nota P0, ..., Pi, ..., PN , ognuna delle quali e
caratterizzata da una terna:Pi = (Xi, Yi, Zi) ,
0 ≤ i ≤ N .(2.4.2)
32 Metodi di stima della posizione
Fig. 2.5: Situazione iniziale
La distanza R fra la sorgente ed uno dei ricevitori, in termini di coordinate e:
Ri = |~Pi − ~E| =√
(Xi − x)2 + (Yi − y)2 + (Zi − z)2 . (2.4.3)
Se considero la posizione del ricevitore P0 come riferimento, si ha Xi = Yi = Zi = 0.
Risulta quindi che la distanza R0 fra la sorgente E e la nuova origine diviene:
R0 =√
(x)2 + (y)2 + (z)2 . (2.4.4)
E conveniente solitamente scegliere come riferimento P0 la posizione del sensore piu vicino
alla sorgente E.
2.4.1 Multilaterazione
La distanza m-esima Ri presente nella (2.4.3) consiste nel prodotto fra la velocita di
propagazione c e il tempo impiegato Ti. L’equazione del TDOA per il ricevitore i e 0 e la
seguente:
c · τi = c · Ti − c · T0 ,
c · τi = Ri −R0 ,(2.4.5)
dove τi rappresenta la distanza temporale fra il segnale ricevuto dal sensore di riferimento
e quello ricevuto dal i-esimo sensore, T0 rappresenta il TOA, definito come tempo di
propagazione del segnale da E a P0 e Ti rappresenta il TOA al Pi.
2.4 TDOA 33
In questo contesto appare utile quindi il ruolo della stima del ritardo fra segnali (TDE),
in quanto si rende necessaria per la determinazione dei vari τi. Se si considera l’esempio
precedente con il segnale ricevuto dal sensore P0 (riferimento) e P1 si puo notare come
la stima del ritardo τ1 fra i due segnali possa essere determinata grazie ad un semplice
cross-correlazione. La distanza della sorgente dal riferimento puo essere ricondotta in un
sistema di equazioni lineari, a partire dalla (2.4.5).
0 = (cτi) + 2R0 +(R2
0 −R2i )
cτi. (2.4.6)
E possibile ora rimuovere il termine 2R0 sottraendo dalla (2.4.6) il termine relativo al
primo sensore i = 1 da tutti gli altri 2 ≤ i ≤ N .
0 = (cτ1) + 2R0 +(R2
0 −R21)
cτ1, (2.4.7)
0 = (cτi)− (cτ1) +(R2
0 −R2i )
cτi− (R2
0 −R21)
cτ1. (2.4.8)
Ri puo essere scritto come:
R2i = X2
i + Y 2i + Z2
i − 2xXi − 2yYi − 2zZi + x2 + y2 + z2 , (2.4.9)
R20 −R2
i = −X2i − Y 2
i − Z2i + 2xXi + 2yYi + 2zZi . (2.4.10)
Combinando le equazioni (2.4.10) e (2.4.8) e scrivendole in funzione della posizione scono-
sciuta x, y, z:
0 = xAi + yBi + zCi +Di , (2.4.11)
Ai =2Xi
cτi− 2X1
cτ1,
Bi =2Yicτi− 2Y1
cτ1,
Ci =2zicτi− 2z1
cτ1,
Di = cτi − cτ1 −X2i + Y 2
i + Z2i
cτi+X2
1 + Y 21 + Z2
1
cτ1.
I parametri Ai, Bi, Ci, Di vengono calcolati per ogni ricevitore 0 ≤ i ≤ N . Questo produce
un sistema di N-2 equazioni lineari omogenee. Una variante di questo metodo prende il
nome di metodo di Fang.
2.4.2 Metodo di Fang
Si consideri un problema bidimensionale con un sistema formato da tre ricevitori m=3,
per stimare la posizione di una sorgente (x, y) [15]. Il metodo di Fang stabilisce un sistema
di coordinate nel quale il ricevitore di riferimento ha coordinate (0, 0), il primo (X1, 0) ed
il secondo (X2, Y2). In generale, la distanza della sorgente dall’ i-esimo ricevitore e uguale
34 Metodi di stima della posizione
a: Ri e pari a:
Ri =√
(Xi − x)2 + (Yi − y)2
=√X2i + Y 2
i − 2Xix− 2Yiy + x2 + y2 , (2.4.12)
con:
Xi0 = Xi −X0 ,
Yi0 = Yi − Y0 .
La distanza fra il ricevitore di riferimento e quello i-esimo e la seguente:
Ri,0 = c · τi0 = Ri −R0
=√
(Xi − x)2 + (Yi − y)2 −√
(X0 − x)2 + (Y0 − y)2 . (2.4.13)
Considerando che la (2.4.12) si puo esprimere come:
R2i0 + 2R0Ri = X2
i + Y 2i0 − 2Xi0x− 2Yi0y + x2 + y2 . (2.4.14)
Applicando la (2.4.14) per i=1 ed i=2 e tenendo conto delle ipotesi descritte all’inizio del
paragrafo si perviene a [15]:
2R10R0 = R210 −X2
1 + 2X10x+ x2 + y2
2R20R0 = R220 − (X2
2 + Y 22 ) + 2X20x+ +2Y20y + x2 + y2 . (2.4.15)
Uguagliando i due termini della 2.4.14 si ottiene un’equazione nella forma:
y = gx+ h , (2.4.16)
dove:
g = {R20 − (X1/R10)−X2} /Y2 ,
h ={X2
2 + Y 22 +R10R20(1− (X1/R10)2)
}/2Y2 .
Sostituendo la (2.4.16) nella prima delle (2.4.15) si ottiene la seguente espressione, che
adatta il set di equazioni non lineari presente nella (2.4.13) in un set alternativo [15]:
dx2 + ex+ f = 0 , (2.4.17)
con:
d = −{
(1− (X1/R10)2)) + g2},
e = X1
{(1− (X1/R10)2))
}− 2gh ,
f = (R10/4)2{
(1− (X1/R10)2))}2− h2 ,
2.4 TDOA 35
Risolvendo la (2.4.17) si perviene a due soluzioni di x. Questa ambiguita non rappresenta
tuttavia un problema in quanto una delle soluzioni si trova al di fuori dell’area copribile.
Utilizzando l’altro valore si determina y dalla (2.4.16) [15].
2.4.3 Metodo di Chan
Il metodo di Chan e approssimabile ad un metodo di massima verosimiglianza ML [15].
Si consideri un sistema formato da tre ricevitori m=3, verranno stimare due TDOA x e y
che potranno essere risolte in termini di R0:
[x
y
]= −
[X10 X21
Y10 Y21
]−1
×{[
R10
R20
]R0 +
1
2
[R2
10 −K1 +K0
R220 −K2 +K0
]}, (2.4.18)
dove:
K0 = X20 + Y0 ,
K1 = X21 + Y1 ,
K2 = X22 + Y2 .
Quando la (2.4.12) viene inserita nella (2.4.18) con i = 0 viene prodotta l’equazione
quadratica con termine R0. Si possono trovare quindi due radici in quanto si ottiene
un’equazione di secondo grado 2.4.19, producendo quindi un’ambiguita. Il problema deve
essere risolto quindi a priori.
aR20 + bR0 + c = 0 . (2.4.19)
2.4.4 Serie di Taylor
Si un contesto bidimensionale. Sia P0 la posizione del ricevitore assunto come riferimento.
Il metodo basato sulla serie di Taylor linearizza il set di equazioni (2.4.13) e successiva-
mente implementa un procedimento iterativo [15]. All’inizio, l’algoritmo inizia con un set
(x0, y0) ed esegue le seguenti operazioni:
[∆x
∆y
]= (GT
t Q−1Gt)−1GtQ−1ht , (2.4.20)
dove il vettore ht e uguale a:
ht =
R10 − (R1 −R0)
R20 − (R2 −R0)...
Ri0 − (Ri −R0)
,
36 Metodi di stima della posizione
e Gt e una matrice dipendente dai parametri geometrici:
Gt =
(X0 − x)/R0 − (X1 − x)/R1 (Y0 − y)/R0 − (Y1 − y)/R1
(X0 − x)/R0 − (X2 − x)/R2 (Y0 − y)/R0 − (Y2 − y)/R2
......
(X0 − x)/R0 − (Xi − x)/Ri (Y0 − y)/R0 − (Yi − y)/Ri
.
Q e la matrice di covarianza dei TDOA stimati. Il sistema e inizializzato con x = x0 e
y = y0. All’iterazione successiva x0 e y0 vengono portati a x0 + ∆x e y0 + ∆y, l’intero
processo termina quando ∆x e ∆y sono sufficientemente piccoli [15]. L’inconveniente di
quest’algoritmo e che puo convergere ad un minimo locale e non ad un minimo assoluto,
restituendo una soluzione sbagliata [15].
2.4.5 Metodi per la determinazione dell’errore
Un metodo comune per stimare l’errore sulla posizione dell’ogetto e calcolare l’errore medio
fra la posizione reale e quella stimata secondo il termine MSE (Mean Squared Error) [15]:
MSE = ε = E[(x− x)2 + (y − y)2] , (2.4.21)
con (x, y) posizione del trasmettitore e (x, y) posizione stimata. Per ottenere un indice con
un’accuratezza si utilizza spesso il termine RMS (Root Mean Square), errore quadratico
medio [15]:
RMS =√ε =
√E[(x− x)2 + (y − y)2] . (2.4.22)
2.4.6 Considerazioni finali
I metodi fin qui visti sono quelli piu frequentemente utilizzati nell’ambito della localizza-
zione. In letteratura possono essere presenti tuttavia metodi ibridi AOA/TDOA caratte-
ristici delle comunicazione di tipo wireless e metodi alternativi per la stima del TDOA per
particolari applicazioni di algoritmi nella localizzazione.
2.5 Riferimenti 37
2.5 Riferimenti
[13] S. W. Varade , K. D. Kulate.Robust Algorithms for DOA Estimation and
Adaptive Beamforming for Smart Antenna.
L’articolo presenta i metodi piu comuni per la stima del DOA per un array di anten-
ne. Vengono presentati in dettaglio gli algoritmi MVDR e MUSIC, e riportata anche una
breve trattazione per un nuovo metodo di massima verosimiglianza. Vengono indicati in-
fine i risultati ottenuti da alcune simulazioni.
[14] M. A. Al-Nuaimi, R. M. Shubair, K. O. Al-Midfa. DOA Estimation in
Wireless Mobile Communications Using MVDR Response.
Descrive in dettaglio l’algoritmo MVDR, utilizzato nella comunicazione di tipo wireless.
Per dimostrarne l’accuratezza vengono riportati simulazioni e risultati al variare del nu-
mero di antenne ed al variare del numero di segnali sorgenti.
[15] H. ElKamchouchi, M. Abdelsalam Moffed. Direction of Arrival (DOA)
and Time Difference of Arrival (TDOA) Position Location Technique.
Sono presenti delle considerazioni generali per alcuni metodi di stima del DOA: alcuni
sistemi basati sull’analisi del sottospazio nei sistemi e l’algoritmo MUSIC. Vengono de-
scritti successivamente i metodi di stima del TDOA come il metodo di Fang, il metodo di
Chan e il metodo basato sulla serie di Taylor. Sono presenti dei collegamenti con i metodi
di stima del ritardo fra segnali TDE.
[16] C. Falsi, G. Dardari, L. Mucchi, Z.M. Win. Time of Arrival for UWB
Localizers in Realistic Enviroments.
Descrive un metodo di stima per il TOA per segnali di tipo UWB (Ultra Wide Band).
Sono presentati alcuni algoritmi per la determinazione del segnale principale (dal quale si
determina il TOA) dai segnali sovrapposti provocati dalle riflessioni multiple ambientali.
38 Metodi di stima della posizione
2.6 Simulazioni
2.6.1 Prima simulazione proposta
Inizializzazione della posizione dei componenti
La simulazione proposta consiste nella stima del TDOA con il metodo della multilate-
razione 3D, proposto precedentemente e presente nel file sim_TDOA1. Si consideri una
sorgente emettitrice E (2.4.1) e inizializzata nel codice con E=(1,1,1), ed un numero N di
sensori pari a 4 (P0, P1 . . . , P4). La posizione di questi ultimi e inizializzata direttamente
nel codice:
P0=(10,2,2),
P1=(12,3,3),
P2=(15,4,5),
P3=(20,5,5),
P4=(25,8,7).
La situazione iniziale e visibile in Fig. 2.6:
0
10
20
30
0
2
4
6
81
2
3
4
5
6
7
asse
z [m
]
asse x [m]asse y [m]
EP0P1−P2−P3−P4
Fig. 2.6: Situazione di partenza nella simulazione
Si consideri un impulso trasmesso dalla sorgente, che si propaga in tutte le direzioni, se-
condo quanto visto in Fig. 2.5. L’impulso costruito nel codice e visibile in Fig. 2.7.
Il segnale scelto e una derivata dell’impulso gaussiano, che viene preso in considerazione
nel capitolo 3 nell’ambito delle tecnologia UWB. Al fine della simulazione la forma di tale
segnale non e rilevante. Si e scelto un impulso cosı costituito esclusivamente per rendere
la simulazione piu vicina ad un caso reale.
Il segnale impulsivo, si propaga nello spazio, raggiungendo i vari ricevitori. Per la realiz-
zazione del metodo proposto, e necessario scegliere un ricevitore come riferimento, questo
sara P0 in quanto e il piu vicino alla sorgente.
Viene spostato il sistema di riferimento in modo che P0 sia inizializzato all’origine (0, 0, 0)
2.6 Simulazioni 39
0 2 4 6 8 10−1
−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
tempo [ns]
Am
piez
za [V
]
impulso trasmesso
Impulso trasmesso
Fig. 2.7: Impulso inviato dalla sorgente E
come descritto precedentemente. Le posizioni de ricevitori nel nuovo sistema di riferimento
sono indicati nel codice con P0T , P1T , P2T , P3T , P4T.
Determinazione del ritardo fra i segnali
I ricevitori P1, . . . , P4 oltre all’impulso ricevuto nelle rispettive posizioni ricevono anche
l’impulso in P0 di riferimento.
Al fine di poter calcolare il ritardo fra i due segnali, ogni ricevitore esegue una semplice
cross-correlazione, ipotizzando nessun’attenuazione e nessuna riflessione o rumore sovrap-
posto.
I segnali processati dal terzo ricevitore e la funzione di cross-correlazione eseguita e visibile
in Fig. 2.8, dove ovviamente la distanza fra i due impulsi variera caso per caso in funzione
della posizione dell’i-esimo ricevitore. Il programma restituisce 4 figure simili.
Il segnale ricevuto dal riferimento (segnale nero nella figura 2.8) viene denominato nel co-
dice con x_0 mentre i segnali ricevuti dagli altri sensori (blu) sono indicati rispettivamente
con x_1, x_2, x_3, x_4. La correlazione eseguita per stimare il ritardo far i due segnali e
di tipo semplice (CC), la si puo notare osservando il secondo grafico in figura 2.8. Essa e
eseguita nel codice grazie al comando:
cccorrelation3=xcorr(x_0,x_3) presente per ogni ricevitore.
La stima del ritardo per ogni coppia di segnali τ1 . . . τ4 avviene convertendo in ns il valore
in campioni restituito dopo la ricerca dell’ascissa alla quale appartiene il valore massimo
della funzione xcorr. I valori di ritardo sono indicati nel codice con tau1, tau2, tau3,
tau4.
40 Metodi di stima della posizione
30 40 50 60 70 80 90−2
−1
0
1
2
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX3
riferimentoricevuto
26 28 30 32 34 36 38 40 42 44
−100
−50
0
50
100
150
correlazione al RX3
ritardo [ns]
cros
s−co
rrel
azio
ne
CC
Fig. 2.8: Segnali ricevuti dal terzo ricevitore
Realizzazione dell’algoritmo
Il codice prevede ora la realizzazione dei passi presenti nella (2.4.11), determinando i
coefficienti Ai, Bi, Ci e Di con 2 ≤ i ≤ 4, calcolandoli in funzione di τ1. Tali valori sono
indicati con A2, B2, C2, D2, A3, B3, C3, D3, A4, B4, C4, D4. Il passo finale consiste nella
realizzazione dell’equazione (2.4.11) che viene realizzata in modo simbolico:
syms x y z
[x y z]=solve(A2*x+B2*y+C2*z+D2,A3*x+B3*y+C3*z+D3,A4*x+B4*y+C4*z+D4 );
E_est=[P0(1,1)+x,P0(1,2)+y,P0(1,3)+z];
Dopo aver determinato la posizione della sorgente [x,y,z] questa deve essere riportata
nel sistema di riferimento originale, determinando E_est. Il valore risultante e in questo
caso:
E_est=[1.0023,0.9881,1.0154]
che stima con buona approssimazione il valore reale impostato inizialmente E=[1,1,1]. So-
no state effettuate diverse prove per verificare la validita del codice, ad esempio impostando
E=[2,3,4] si ottiene:
E_est=[2.0024,3.0046,3.9946]
2.6.2 Seconda simulazione
La seconda simulazione, presente nel file sim_TDOA2 presenta lo stesso codice della prima,
basato sulla multilaterazione ma aggiunge alcune non-idealita. Ad ogni segnale trasmesso
viene aggiunto un rumore bianco gaussiano, che viene amplificato o ridotto dall’utente
in modo inversamente proporzionale alla variabile noise_level. Viene calcolato anche
il valore di SNR corrispondente per uno dei quattro segnali (nel codice viene analizzato
2.6 Simulazioni 41
il terzo) al fine di migliorarne la comprensione. La porzione di codice che esegue quanto
appena descritto e visibile in seguito:
noise3=randn(length(x_tr),1);
noise=noise3/noise_level;
x_3=x_3_cl+noise;
signalpower=0;
noisepower=0; %Algoritmo per il calcolo di SNR
for n=1:length(x_3_cl);
signalpower=signalpower+(abs(x_3_cl(n)))^2;
noisepower=noisepower+(abs(noise(n)))^2;
end
signalpower=signalpower/(length(x_3_cl));
noisepower=noisepower/(length(noise));
SNR=10*log10(signalpower/noisepower);
SNR,
dove x_3_cl e il segnale pulito, noise e il rumore (ottenuto riducendo il valore noise3
per il valore noise_level) e x_3 e il segnale rumoroso.
Primo caso
La posizione del trasmettitore e E=[1,1,1]. Il valore impostato e noise_level=50, corri-
spondente ad un SNR=16.1191. L’algoritmo viene eseguito in modo analogo a quanto visto
nella prima simulazione, l’unica differenza consiste nel fatto che i segnali sono rumorosi.
I nuovi segnali ricevuti al terzo ricevitore e la funzione di correlazione sono visibili in Fig.
2.9.
30 40 50 60 70 80 90−2
−1
0
1
2
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX3
riferimentoricevuto
26 28 30 32 34 36 38 40 42 44
−100
−50
0
50
100
150
correlazione al RX3
ritardo [ns]
cros
s−co
rrel
azio
ne
CC
Fig. 2.9: Segnali ricevuti dal terzo ricevitore, primo caso
Il valore stimato di E e uguale a:
42 Metodi di stima della posizione
E_est=[1.0023,0.9881,1.0154]
Si puo osservare come un valore di rumore basso non influisce sulla stima.
Secondo caso
Il valore impostato e noise_level=25, corrispondente ad un SNR=10.2312. I segnali
presenti al terzo ricevitore sono visibili in Fig. 2.10.
30 40 50 60 70 80 90−2
−1
0
1
2
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX3
riferimentoricevuto
26 28 30 32 34 36 38 40 42 44
−100
−50
0
50
100
150
correlazione al RX3
ritardo [ns]
cros
s−co
rrel
azio
ne
CC
Fig. 2.10: Segnali ricevuti dal terzo ricevitore, secondo caso
Rispetto al caso precedente e visibile un sensibile aumento del rumore. Il valore stimato
di E sara pari a:
E_est=[1.7322,1.2212,1.1452]
E’ possibile quindi osservare un aumento dell’errore di stima della posizione.
Terzo caso
Il valore impostato e noise_level=10, corrispondente ad un SNR=10.2312. I segnali
presenti al terzo ricevitore sono visibili in Fig. 2.11.
Il valore stimato di E sara pari a:
E_est=[2.2801,1.3001,1.2325]
L’errore sulla stima della posizione comincia ad essere significativo.
2.6 Simulazioni 43
30 40 50 60 70 80 90−2
−1
0
1
2
tempo [ns]A
mpi
ezza
nor
mal
izza
ta
Segnali ricevuti da RX3
riferimentoricevuto
26 28 30 32 34 36 38 40 42 44
−100
−50
0
50
100
150
correlazione al RX3
ritardo [ns]
cros
s−co
rrel
azio
ne
CC
Fig. 2.11: Segnali ricevuti dal terzo ricevitore, terzo caso
Quarto caso
Il valore impostato e noise_level=5, corrispondente ad un SNR=-3.6862. I segnali pre-
senti al terzo ricevitore sono visibili in Fig. 2.12.
30 40 50 60 70 80 90−2
−1
0
1
2
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX3
riferimentoricevuto
26 28 30 32 34 36 38 40 42 44
−100
−50
0
50
100
150
correlazione al RX3
ritardo [ns]
cros
s−co
rrel
azio
ne
CC
Fig. 2.12: Segnali ricevuti dal terzo ricevitore, quarto caso
Il valore stimato di E sara pari a:
E_est=[3.4960,1.6085,1.5145]
La stima presenta un’errore grossolano e non puo piu essere considerata valida.
44 Metodi di stima della posizione
Quinto caso
Il valore impostato e noise_level=2.5, corrispondente ad un SNR=-9.7991. I segnali
presenti al terzo ricevitore sono visibili in Fig. 2.13.
30 40 50 60 70 80 90−2
−1
0
1
2
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX3 riferimentoricevuto
26 28 30 32 34 36 38 40 42 44
−100
0
100
correlazione al RX3
ritardo [ns]
cros
s−co
rrel
azio
ne
CC
Fig. 2.13: Segnali ricevuti dal terzo ricevitore, quinto caso
Il valore stimato di E sara pari a:
E_est=[-0.1289,1.6420,0.7884]
Anche in quest’ultimo caso la stima presenta un errore grossolano e non puo piu essere
considerata valida.
2.6.3 Considerazioni finali
E’ stato dimostarato come l’accuratezza dell’algoritmo sia fortemente dipendente dal ru-
more. Questo e dovuto al fatto che la funzione di cross-correlazione dipende dal rumore
(come visto nel capitolo 1 e quindi sotto un livello di soglia non puo piu essere considerata
valida.
Una buona accuratezza della stima della localizzazione dipende quindi da un basso livello
di rumore che corrisponde ad un alto livello di SNR.
Capitolo 3
Human detection
3.1 Introduzione
Uno dei requisiti piu diffusi nell’ambito industriale e non e l’human detection ovvero il rile-
vamento di persone in una particolare ambiente che puo essere interno od esterno. Questo
concetto e utilizzato in diverse applicazioni che si inseriscono in svariati ambiti: sistemi
di sicurezza militari, sistemi di sorveglianza per particolari aree, rilevamento di pedoni,
sistemi per applicazioni mediche. Vi sono numerosi dispositivi in grado di effettuare il
rilevamento di persone, tuttavia i sistemi radar si dimostrano essere i piu vantaggiosi.
3.1.1 Proprieta
L’human detection puo comprendere un numero di proprieta spazio-temporali che possono
essere riassunte in [17]:
• presenza o assenza;
• conteggio;
• localizzazione;
• stima della traiettoria;
• identificazione.
Non tutti i sistemi che realizzano l’human detection eseguono tutte le operazioni preceden-
temente citate, ma puo essere presente anche solamente una di queste. Vengono riassunte
in seguito le caratteristiche principali per ognuna.
Presenza o assenza, (presence)
E’ la caratteristica piu semplice richiesta ad un sistema di rilevamento. Quest’ultimo
deve garantire informazioni sulla presenza o meno di una persona nell’area desiderata. La
tecnologia piu comune coinvolta in questo processo spazia dai sensori di prossimita all’
RFID (Radio Frequency Identification).
Conteggio, (count)
E’ un’operazione marginale consistente nella determinazione del numero di persone pre-
senti. Viene realizzata grazie all’impiego di reti dei sensori che coprono l’intera area di
interesse o per mezzo di telecamere.
45
46 Human detection
Localizzazione, (Localization)
Consiste nello stimare le coordinate spaziali della persona. Puo essere effettuata mediante
sistemi radar, sistemi GPS e mediante telecamere, a seconda dell’ampiezza della possibile
area di interesse.
Stima della traiettoria, (Tracking)
E’ l’operazione che consiste nell’inseguimento della traiettoria della persona nell’area. Vie-
ne realizzata mediante algoritmi sofisticati, in seguito alla stima della posizione in diversi
periodi di tempo. Il Tracking puo comprendere anche la stima della posizione futura grazie
ad esempio ad algoritmi di predizione.
Identificazione, (Identification)
Consiste nel rilevamento dell’identita di una persona precedentemente individuata, in mo-
do piu o meno completo. Tale operazione puo essere effettuata per mezzo di telecamere.
Nella realta industriale spesso e sufficiente discriminare gli esseri umani dagli altri esseri
viventi, tale operazione puo essere eseguita da alcuni tipi di radar, mediante l’analisi del
segnale ricevuto.
3.2 Possibili realizzazioni
In questa sezione viene riportata un breve panoramica riguardante la tecnologia piu comu-
ne utilizzata per la realizzazione dell’human detection indicando le tecnologie alternative
a quella radar.
In generale il rilevamento di una persone puo avvenire osservando alcune caratteristiche
che si possono dividere in statiche o dinamiche [17], visibili in Fig. 3.1.
Fig. 3.1: Caratteristiche statiche e dinamiche
Le caratteristiche statiche possono essere determinate quando una persona e ferma; ad esse
sono associati alcuni tipi di sensori [17]. Le due caratteristiche statiche principali rilevabili
sono il peso e la forma. Il primo puo essere stimato tramite un opportuno sensore di forza,
la seconda deriva dall’analisi delle onde elettromagnetiche riflesse dal corpo umano (laser
o radar).
La forma della sagoma umana puo essere determinata grazie anche all’utilizzo di sistemi
3.2 Possibili realizzazioni 47
di visione mentre in ambiti medici e utile l’identificazione del movimento involontario di
organi interni.
La caratteristiche dinamiche sono associate direttamente al moto di una persona. I sensori
piu utilizzati in quast’ambito sono quelli acustici (per localizzare ed identificare la voce
emessa) e quelli sismici, per il rilevamento della persona grazie alle vibrazioni prodotte
da una persona che cammina. In seguito vengono riportati i mezzi piu comuni utilizzati
nell’human detection.
3.2.1 Rilevamento mediante sistemi di visione
Un sistema di visione richiede l’utilizzo di una o piu telecamere per il rilevamento della
persona nell’area di interesse. Tali sistemi riescono ad ottenere una stima sulla posizione
della persona individuata, elaborando le sole sequenze di immagini provenienti dai sistemi
di acquisizione video. La sequenza di immagini puo provenire da una sola telecamera
(sistema di visione monoculare), o da due o piu telecamere (sistemi di visione multi-
camera).
Sistemi di visione monoculare
Nei sistemi di visione monoculare, si cerca di risalire alla posizione della persona estraendo-
ne inizialmente il profilo e cercando di trovare le corrispondenze con un modello tridimen-
sionale. Queste tecniche, associate ad un modello geometrico della telecamera, consentono
il passaggio dalle coordinate bidimensionali dell’immagine a quelle tridimensionali. Occor-
re notare che il solo modello geometrico della telecamera non e sufficiente a determinare
la posizione di un punto nello spazio. Infatti, oltre a conoscere le coordinate (u,v) nel
dominio dell’immagine, per avere un’unica soluzione occorre conoscere la distanza d che
separa il punto d’interesse dalla telecamera.
Sistemi di visione multi-camera
Nei sistemi di visione che impiegano piu di una telecamera, una stessa scena viene invece
ripresa da diverse angolazioni contemporaneamente. L’analisi di queste immagini permette
di ricavare la posizione dell’elemento che si sta tracciando, per mezzo di un processo di
triangolazione. Il vantaggio fondamentale rispetto al caso precedente consiste nella minore
difficolta nel ricavare la terza dimensione.
Identificazione
Prima di effettuare l’operazione di localizzazione, e necessario l’estrazione degli oggetti di
interesse (in questo caso le persone) dalle immagini che provengono dal sistema di acquisi-
zione video. Si e solito denominare foreground gli oggetti di interesse e con background gli
elementi esterni. Un metodo semplice per ottenere il foreground consiste nel sottrarre il
background direttamente dall’immagine scattata. Questa fase consiste implicitamente in
una prima identificazione in quanto vengono discriminati gli oggetti di interesse (le perso-
48 Human detection
ne) dagli altri. Si ha quindi una segmentazione dell’immagine in cui vengono individuate
le zone di foreground e di background della scena.
Localizzazione
La localizzazione, in un sistema di visione, consiste nell’estratte l’informazione di posizione
direttamente dalla sequenza di immagini scattate. Per questo motivo, e necessario, come
prima operazione determinare una relazione fra l’unita di misura dell’area da sorvegliare
e l’insieme di pixel che costituiscono l’immagine digitale.
Una volta identificati nelle immagini i pixel appartenenti ai soggetti da tracciare, il sistema
passa a proiettare tali punti (tramite un processo di stereo visione) nella terza dimensione
nel sistema di riferimento costituito dalle telecamere. Questi punti vengono quindi ripor-
tati in coordinate assolute al fine di costituire una nube di punti 3D (appartenenti ai soli
soggetti da tracciare) che puo essere inquadrata da qualsiasi posizione. In particolare,
viene generata una inquadratura virtuale della scena che riprende questi punti dall’alto.
Questa nuova inquadratura consente al sistema di ridurre al minimo il numero delle oc-
clusioni, permettendo quindi la localizzazione di ogni individuo all’interno della scena.
Il sistema puo essere in grado di calcolare alcune caratteristiche per ciascun oggetto al fine
di utilizzarle per identificare lo stesso individuo nei fotogrammi successivi a quello attuale.
La posizione di ogni individuo viene quindi stimata utilizzando il baricentro calcolato per
ogni nube di punti tridimensionali appartenenti all’individuo stesso. Per avere una miglio-
re approssimazione della posizione del soggetto, anche in presenza di possibili situazioni di
occlusione, il sistema puo essere dotato di particolari filtri, in grado di limitare il rumore
introdotto nella fase di misura della posizione.
Stima della traiettoria
Consiste nell’associare gli elementi individuati precedentemente con quelli attuali al fine
di identificare la traiettoria seguita da ognuno di questi elementi. Si rende necessario
collegare le informazioni estratte dalla foto scattata all’istante attuale τ con quelle legate
all’istante τ − 1.
Vantaggi e svantaggi
Un sistema di visione per la realizzazione dell’human detection presenta una serie di svan-
taggi legati alla difficolta nel riconoscimento degli elementi di interesse dagli altri. Cam-
biamenti repentini delle condizioni di illuminazione, oggetti in movimento di vario tipo,
eventuali ombre e condizioni meteorologiche non ideali (in ambienti esterni) sono fattori
che influiscono su una corretta identificazione delle persone a partire dall’immagine da ela-
borare. Per contro tali sistemi presentano il vantaggio di consentire un buon rilevamento
nelle brevi distanze.
3.2 Possibili realizzazioni 49
3.2.2 Rilevamento mediante sensori
L’human detection puo essere effettuata in alternativa attraverso l’utilizzo di sensori che
rilevano le caratteristiche statiche e dinamiche di una persona [17], come precedentemente
discusso.
Sensori sismici
Sono in grado di individuare le vibrazioni causate dai passi di una persona sul pavimento.
Nelle applicazioni in ambiente esterno, tali dispositivi vengono denominati sensori sismici
e possono rilevare una persona fino a distanze di 20 m. Solo recentemente, per mezzo di
sensori sismici innovativi la distanza determinabile puo essere di 40 m circa con una pro-
babilita di rilevamento corretta dell’80 per cento anche in presenza di rumore sovrapposto.
La localizzazione avviene per mezzo di metodi di triangolazione geometrici.
Il vantaggio dell’utilizzo di questo tipo di sensori consiste nella facilita delle operazioni
di signal processing rispetto agli altri tipi e ai sistemi di visione. Lo svantaggio consiste
nella scarsa accuratezza della stima della posizione e nella possibile errata identificazione
quando il sensore e distante dalla persona.
Sensori di campo elettrico
Sensori capacitivi possono essere utilizzati per rilevare la presenza di persone in un de-
terminato ambiente, con una buona accuratezza. Il funzione base di questo dispositivo
consiste nell’applicazione di un segnale alternato alla piastra trasmettitrice di un conden-
satore piano, il che portera alla formazione dello stesso segnale alla piastra ricevitrice.
L’effetto della presenza di una persona fra le due piastre causa una variazione della cor-
rente al ricevitore che puo essere misurata. Tali dispositivi vengono utilizzati solitamente
come sensori di tipo binario per determinare la presenza o l’assenza di una persona, non
sono quindi adatti alla localizzazione precisa e accurata per via dei numerosi fenomeni
di accoppiamento che possono insorgere nei diversi dispositivi. Trovano applicazione al
giorno d’oggi, ad esempio nei supermercati come comando per l’apertura automatica delle
porte.
Sensori laser
Sono basati sul principio dell’emissione e ascolto di echi riflessi di segnali impulsivi nel-
l’infrarosso. Il fatto di utilizzare frequenze molto elevate consente il vantaggio di una
accuratezza di rilevamento molto elevata. Rispetto ai metodi di localizzazione basati sui
radar sono molto piu immuni rispetto alle riflessioni degli oggetti presenti, tuttavia il lo-
ro utilizzo rimane limitato poiche solamente gli oggetti intersecanti il piano di scansione
possono essere rilevati.
Sensori ad ultrasuoni
Sfruttano lo stesso principio dei sensori laser e dei sensori radar, tuttavia le onde elettro-
magnetiche utilizzate appartengono al campo degli ultrasuoni (20-200 kHz). Consentono
50 Human detection
con buona accuratezza la localizzazione di persone a piu di 10 m di distanza e offrono
ottimi risultati nel caso di obiettivi piu vicini. Il costo e relativamente basso, tuttavia
tali sensori possono presentare difficolta nel rilevare il segnali riflesso qual’ora questo non
sia sulla stessa direzione dell’unita che trasmette. L’uso dei sensori ad ultrasuoni rimane
limitato per via del pessimo comportamento che presentano in condizioni meteorologiche
sfavorevoli. In aggiunta presentano notevoli difficolta nel localizzare target in movimento.
3.3 Human detection mediante Radar
3.3.1 Introduzione
I radar sono dispositivi che emettono un’onda radio ad altissima frequenza e che ricevono
eventuali echi riflessi. Misurando il tempo che intercorre tra il segnale inviato e ricevuto
il sistema provvede alla stima della posizione dell’oggetto da rilevare. Ogni radar ha una
circuiteria che ha il compito di trasformare i dati grezzi, cioe gli echi, nelle posizioni in cui
si trovano i vari oggetti, cosicche l’output che e fornito al sistema e solitamente costituito
da un insieme di punti che indicano dove si sono verificate le riflessioni piu evidenti.
Nell’ambito della tecnologia radar gli oggetti rilevabili vengono denominati target, per
questo motivo nel contesto dell’human detection si parla di human target ovvero target
umani.
I radar permettono un grandissimo vantaggio rispetto agli altri sensori presentati nella
sezione 3.2, come i sistemi di visione ed i sensori sismici: sono in grado di rilevare un
target umano a grande distanza, rendendosi indispensabili in tutte quelle applicazioni (di
sicurezza, militari) nelle quali risulta svantaggioso posizionare il sensore stesso a breve
distanza dalla possibile posizione del target [17, 18]. Per questo motivo l’human detection
mediante radar e diventata nel corso degli ultimi anni oggetto di ricerca sempre crescente,
soprattutto per quanto riguarda l’identificazione e la localizzazione [18]. I radar inoltre
non risentono delle condizioni ambientali e il loro utilizzo non e limitato dalla necessita di
piano di scansione intersecante il target.
3.3.2 Identificazione
Grazie ad alcuni tipi di radar ad onda continua si e reso possibile la realizzazione di par-
ticolari diagrammi, denominati spettrogrammi, che consentono un primo livello di iden-
tificazione [18]. Uno spettrogramma puo essere generato sommando i segnali riflessi da
alcune parti del corpo umano in movimento, il che lo rende perfettamente differenziabile
da uno ottenuto da un altro essere vivente. Il modello del corpo umano non e di semplice
realizzazione, in quanto le varie parti che lo compongono si muovono a diverse velocita
seguendo diverse traiettorie. Per questo motivo il corpo viene sintetizzato in 12 punti
corrispondenti al centro della parte in esame. Le grandezze delle stesse sono determinate
secondo una distribuzione statistica, presente in [18].
Il segnale inviato viene quindi riflesso dai 12 punti ognuno dei quali, muovendosi a velocita
diversa dagli altri ne fa variare la frequenza per effetto Doppler. Si riceve quindi un se-
gnale formato dalla sommatoria delle 12 riflessioni, ognuna delle quali presenta un fattore
3.3 Human detection mediante Radar 51
di attenuazione, una variazione di frequenza ed uno sfasamento.
Un diagramma risultante, per una persona che cammina e visibile in Fig. 3.2.
Fig. 3.2: Spettrogramma per una persona che cammina
Si puo osservare come il segnale ricevuto dal torso presenti un andamento oscillatorio
con bassa frequenza e ampiezza ridotta, mentre il piede presenta sempre un andamento
oscillatorio, ma con ampiezza piu elevata. Lo spettrogramma e molto importante nell’i-
dentificazione perche consente di distinguere un essere umano da qualunque altro essere
vivente [18]. Esso puo permette di discriminare anche il sesso di una persona in quanto le
caratteristiche geometriche del modello precedentemente citate sono differenti a seconda
se si parla di maschio o femmina.
3.3.3 Localizzazione
La localizzazione mediante radar si dimostra molto piu accurata rispetto a quanto visto
per gli altri sensori [17, 18]. In questo contesto, si preferisce l’utilizzo di radar funzionanti
ad impulsi, rispetto a quelli ad onda continua, utilizzati piu favorevolmente nell’identifi-
cazione.
La stima della posizione del target umano avviene direttamente dalla misura del ritardo
fra segnale inviato e ricevuto con metodi matematici riconducibili a quanto visto nei ca-
pitoli 1 e 2.
La quasi totalita dei sistemi di localizzazione di persone mediante radar utilizza segnali
formati da treni di impulsi di tipo UWB (Ultra Wide Band). La scelta di tale tipo di
segnale e giustificata da alcuni motivi fondamentali [3]:
• l’impulso presenta uno spettro di frequenza molto alto che puo facilmente risultare
invisibile agli ostacoli intermedi;
• la durata degli impulsi e molto ridotta, per questo motivo l’accuratezza nella stima
della posizione puo essere molto alta (centimetrica);
• la durata ridotta implica un basso contenuto energetico;
• consentono una buona immunita alle riflessioni multiple ambientali.
52 Human detection
Alcune di queste caratteristiche, dipendono direttamente dalla struttura base di un segnale
UWB.
Segnale UWB
Un segnale UWB e formato da un serie di impulsi che presentano una banda di frequenza
molto larga. Sulla base di questa caratteristica si definisce UWB un impulso la cui banda
frazionaria B, uguale a ∆f/fc (con ∆f larghezza di banda e fc frequenza centrale, Fig.
3.3) e maggiore di 0.2.
In particolare, per essere definito UWB deve soddisfare la relazione:
B = 2fh − flfh + fl
> 0.2 , (3.3.1)
dove: fh ed fl sono gli estremi della banda a -10 dB (Fig. 3.3).
La larghezza di banda presenta solitamente una valore minimo di 500 MHz ma puo rag-
giungere anche un valore di 7.5 GHz. Vista la breve durata, la densita spettrale di potenza
(Power Spectral Density, PSD) e distribuita in un range di frequenza molto elevato, a dif-
ferenza degli spettri dei segnali limitati in banda in uso per altre tecnologie come visibile
in Fig. 3.3.
Fig. 3.3: PSD per un impulso UWB
Il singolo impulso consiste nella derivata n-esima di una funzione gaussiana del tipo:
s(t) =1√
2πσ2e−
12
( tσ
)2 , (3.3.2)
dove σ interviene direttamente sulla larghezza dell’impulso e sull’ampiezza.
La durata di un impulso e molto ridotta, al massimo assume un valore di qualche ns.
La progettazione di un singolo impulso UWB deve rispettare delle norme, emesse da un
organismo denominato FCC (Federal Communications Commision).
Vengono posti cosı dei vincoli di potenza che un singolo impulso deve soddisfare. Un
impulso UWB puo essere quindi ampio ma di durata ridotta (segnale blu, Fig. 3.4), oppure
3.3 Human detection mediante Radar 53
meno ampio ma con durata maggiore, (segnale rosso, Fig. 3.4) in modo da soddisfare i
requisiti.
Entrambi i segnali presenti in Fig. 3.4 sono ottenuti come derivata prima della (3.3.2) al
variare del parametro σ.
Un impulso UWB, puo essere realizzato anche come derivata do ordine piu elevato di un
impulso gaussiano descritto dalla (3.3.2). In Fig. 3.5 e visibile la derivata terza di un
impulso gaussiano, realizzata mediante Matlab.
0 2 4 6 8 10−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8
tempo [ns]
Am
piez
za n
orm
aliz
zata
Esempi di impulsi UWB
Primo impulso UWBSecondo impulso UWB
Fig. 3.4: Realizzazione di impulsi UWB ottenuti come derivata prima di un impulsogaussiano
0 2 4 6 8 10−1
−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
tempo [ns]
Am
piez
za n
orm
aliz
zata
impulso UWB
singolo impulso UWB
Fig. 3.5: Esempio di impulso UWB ottenuto come derivata terza di un impulso gaussiano
54 Human detection
Possibili applicazioni per sistemi radar UWB nella localizzazione di persone
Uno dei vantaggi principali dell’utilizzo di segnali UWB nei radar e la capacita di essere
trasparenti ai piu comuni materiali in uso per costruzione di edifici, potendo quindi loca-
lizzare persone anche in presenza di muri fra esse ed il radar stesso [3].
Localizzazione di persone in situazioni di pericolo. Una possibile applicazione
che sfrutta la caratteristica citata precedentemente e l’individuazione di persone rimaste
intrappolate in un edificio distrutto, ad esempio da un terremoto [3, 5]. L’impiego di radar
con segnali UWB permette di realizzare una mappa approssimativa con la posizione delle
persone e delle zone vuote rimaste fra le macerie, per facilitare l’inizio delle ricerche [5].
Localizzazione di persone attraverso muri. Una seconda applicazione consiste nel-
l’utilizzo dei radar UWB per localizzare persone poste al di la di una parete [4]. Questo
puo ritenersi necessario ad esempio nelle applicazioni militari, per il disinnesco di bombe
e nelle operazioni antiterrorismo [4], Fig. 3.6 a).
Localizzazione nei sistemi anti-intrusione. I senali UWB permettono un’ottima
accuratezza e precisione nella localizzazione di una persona. Questa proprieta viene sfrut-
tata favorevolmente nei sistemi di localizzazione [1], utilizzati ad esempio come sistemi
anti-intrusione, per sorvegliare aree militari o aree pericolose nelle realta industriali (Fig.
3.6 b)).
Reti di sensori per la localizzazione in ambienti interni La grande risoluzione
che permette un sistema UWB radar puo favorevolmente essere sfruttata per la localiz-
zazione di una persona all’interno di una stanza. Cio puo essere sfruttato utilizzando un
sistema MIMO formato da piu radar posizionati in punti strategici in una stanza [19] (Fig.
3.6 c)).
3.3 Human detection mediante Radar 55
a)
b)
c)
Fig. 3.6: Possibili applicazioni della tecnologia radar UWB nella localizzazione di persone
56 Human detection
3.4 Riferimenti
[1] E. Paolini, A. Giorgetti, M. Chiani, R. Minutolo, M. Montanari. Localiza-
tion Capability of Cooperative Anti-Introdurer Radar System
La tecnologia radar UWB puo essere utilizzata per realizzare sistemi anti-intrusione che
possono trovare impiego nella realta industriale come protezione di un’eventuale area pe-
ricolosa, o per la sorveglianza di una particolare zona. Il paper presenta un’analisi su un
sistema formato da radar multistatici con considerazioni e grafici della potenza richiesta
e della copertura minima dell’area al variare di alcuni parametri geometrici. E’ l’articolo
di riferimento per i capitoli 4 e 5.
[3] A. Yarovoy, L. Ligthart. UWB Radar for Human Being Detection.
Vengono elencati i motivi che giustificano l’utilizzo della tecnologia UWB nella localiz-
zazione di persona mediante radar, anche in ambienti complessi e in situazioni di pericolo.
[4] C. Liebe, A. Gaugue, J. Khamlichi, M. Menard. Radar UWB Detection
Throug a Wall.
Il rilevamento di persone posizionate dietro un muro e un interessante ramo di ricerca
nell’ambito militare (ad esempio nelle azioni anti-terrosrismo), industriale, e nell’indivi-
duazione in condizioni di emergenza. La tecnologia radar UWB permette numerosi van-
taggi se comparata con altri sistemi come l’elevata accuratezza nella localizzazione e la
reiezione nei confronti dei possibili disturbi presenti.
[5] J. J. Lee, S. Singh. Using UWB Radios as Sensor Disaster Recovery.
I segnali UWB presentano l’interessante caratteristica di risultare trasparenti ai muri ed
ai materiali di costruzione. Questo vantaggio puo essere favorevolmente utilizzato per la
localizzazione di persone e di aree vuote all’interno di un edificio distrutto.
[17] T. Teixera, G. Dublon, A. Savvides. A Survey of Human Sensing: Pre-
sence, Count, Location.
I sistemi automatici ed industriali richiedono sempre maggiori informazioni riguardanti
il rilevamento di persone in ambiente interno ed esterno. Vengono presentate le varie
caratteristiche che compongono il rilevamento: presenza, conteggio, localizzazione, stima
della traiettoria, identificazione. E’ descritta una panoramica generale sui sistemi in grado
di realizzare l’human detection indicando vantaggi e svantaggi di ognuno.
[18] S. Z. Gurbuz, W. L. Melvin, D. Williams.Detection and Identication for
Human Targets in Radar Data.
3.4 Riferimenti 57
I sistemi radar offrono grandi vantaggi rispetto agli altri sensori come quelli sismici o
i sistemi di visione, nell’ambito dell’human detection. L’articolo presenta il procedimento
principale per la realizzazione dell’identificazione mediante l’uso di radar ad onda conti-
nua, che consiste nella realizzazione di un diagramma denominato spettrogramma.
[19] G. Shingu, K. Takizawa, T. Ikegami. Human Body Detection using
MIMO-UWB Radar Sensor Network in an Indoor Environment
I sistemi radar basati sulla tecnologia UWB si dimostrano essere quelli che consentono
la miglior accuratezza nella stima della posizione di una persona. Viene illustrato un
sistema costituito da varie coppie trasmettitore-ricevitore per una piu corretta stima.
Capitolo 4
Analisi di un sistema di localizzazione
4.1 Introduzione
Nella sezione 3.3.3 si e giustificato l’utilizzo della tecnologia UWB nei sistemi di localiz-
zazione radar, presentando alcune possibili applicazioni.
In questo capitolo viene presentato in dettaglio l’analisi per un sistema anti-intrusione
con radar multi-statici [1], basato su tecnologia radio-radar UWB, con l’obiettivo di loca-
lizzare un eventuale intruso in un area di sorveglianza. Quest’applicazione trova utilizzo
nel monitoraggio di ambienti particolari come impianti di potenza, cisterne, serbatoi che
possono essere pericolosi per la sicurezza degli operai (in un contesto industriale), ed in-
frastrutture critiche che possono essere vulnerabili in caso di incidente o di attacco esterno
(in un contesto militare) [1, 2]. Il sistema, e costituito da un trasmettitore e tre o piu
ricevitori, questi devono essere collegati fra loro da una particolare rete wireless al fine di
elaborare le informazioni necessarie per la localizzazione.
La trattazione presentera due aspetti fondamentali di un sistema cosı costituito al variare
di alcuni parametri geometrici: copertura d’area, potenza trasmessa ed in secondo piano si
trattare marginalmente dell’incertezza sulla localizzazione [1]. In primo piano, nel conte-
sto della tecnologia radar assume importanza la definizione di radar bistatico al fine della
realizzazione di un sistema piu complesso multistatico.
I paragrafi seguenti presentano i concetti fondamentali per una piu semplice comprensione
del paper.
4.1.1 Radar bistatico
Un radar bistatico e costituito da un trasmettitore e da un ricevitore, che si trovano in
posizione diverse e poste ad una ben determinata distanza [20, 21]. Essi vengono utilizzati
per applicazioni militari, scientifiche e commerciali [20]. Nell’ambito dell’ human detection
sistemi con radar bistatici sono ideali per la stima della posizione del target.
Un tale sistema bistatico deriva dall’evoluzione del classico radar monostatico nel quale
trasmettitore e ricevitore possono trovarsi nella stessa unita funzionale o comunque essere
posti a distanza trascurabile. In quest’ultimo il segnale viene inviato dal trasmettitore,
viene riflesso dal target ed il processore elabora la risposta, stimando la posizione diret-
tamente dalla differenza temporale dei due segnali. Un grande inconveniente del radar
monostatico consiste nella possibilita di accoppiamento dei segnali visto la vicinanza fra
trasmettitore e ricevitore.
Una versione di radar bistatico, prevede la ricezione, di due segnali: quello diretto pro-
veniente dal trasmettitore (preso come riferimento) e quello riflesso dal target; avendo a
disposizione questi due segnali con un correlatore e possibile determinare il ritardo τ fra i
59
60 Analisi di un sistema di localizzazione
due segnali e quindi il luogo dei punti sul quale si trovera sicuramente il target.
Fig. 4.1: Geomatria di un radar bistatico
La Fig. 4.1 [20, 21] mostra le grandezze geometriche relative alla posizione di trasmettitore,
ricevitore e target, caratteristiche per un radar bistatico. Esse giacciono in una porzione di
piano denominata piano bistatico [20]; la figura risultante vista in Fig. 4.1 viene indicata
come triangolo bistatico. Le altre dimensioni sono riportate nell’elenco seguente:
• L e la distanza fra trasmettitore e ricevitore denominata linea base;
• RR e la distanza fra trasmettitore e target;
• RT e la distanza fra ricevitore e target;
• θT e θR sono rispettivamente gli angoli del trasmettitore e del ricevitore;
• β = θT − θR viene denominato angolo bistatico.
La distanza stimata da un radar bistatico e calcolata come RR + RT , essa puo essere
facilmente determinata dalla misura temporale dello sfasamento fra i due segnali ricevuti.
4.1.2 Equazione generale di un radar bistatico
Il campo di utilizzo di un radar bistatico, diversamente dal caso monostatico dipende
dai parametri geometrici descritti Fig. 4.1 [20, 21]. Se si considera solamente la riflessione
principale da parte del target, ignorando le altre riflessioni il range di osservazione dipende
solamente dai parametri geometrici. In questo contesto, si inserisce il concetto di Ovale di
Cassini [20].
Un Ovale di Cassini e un luogo di punti caratterizzato da un valore costante del prodotto
RR · RT , avente come fuochi le posizioni del trasmettitore e del ricevitore [20]. Fissate le
posizioni del trasmettitore e del ricevitore (L fissa e costante) un eventuale target che si
4.1 Introduzione 61
muove su un dato Ovale di Cassini non fa variare il prodotto RR ·RT , la potenza ricevuta
dopo la riflessione rimane cosı costante. Gli ovali possono essere considerati cosı delle
figure equi-potenziali.
Il massimo ovale rappresentabile indica delimita il limite estremo del range all’interno del
quale puo essere localizzato il target, esso e descritto dall’equazione:
RM =√RR ·RT , (4.1.1)
dove RM rappresenta il massimo range equivalente per un radar monostatico. L’equazione
generale per un radar-bistatico e la seguente:
(RR ·RT )max =
√Pavt0GTGRλ2σF 2
TF2R
(4π)3kT0Fn(E/N0)LTLR, (4.1.2)
dove:
• Pav e la potenza trasmessa media;
• t0 e il tempo di osservazione;
• GT e il guadagno di potenza del trasmettitore;
• GR e il guadagno di potenza del ricevitore;
• λ e la lunghezza d’onda;
• σ Radar Cross Section del radar bistatico;
• FT fattore di propagazione per il trasmettitore-target;
• FR fattore di propagazione per il target-ricevitore;
• k costante di Boltzmann (1, 38× 10−23J/K);
• T0 temperatura standard (290 K);
• Fn rumore ricevuto;
• E/N0 energia ricevuta su densita spettrale di rumore ricevuto;
• LT perdite in trasmissione (lineare);
• LR perdite in ricezione (lineare).
Nel caso di radar impulsivi t0 = n/fp dove n e il numero degli impulsi trasmessi e fp e la
loro frequenza di ripetizione.
Si consideri un L costante un RM definito nella (4.1.1) variabile. L’Ovale di Cassini puo
assumere varie forme, visibili nella Fig. 4.2, al variare di RM :
• L = 0, equivalente di un radar monostatico, l’ovale e una circonferenza visibile in
Fig. 4.2 a);
62 Analisi di un sistema di localizzazione
• L < 2RM , vi e un unico ovale, Fig. 4.2 b);
• L = 2RM , l’ovale e intrecciato, Fig. 4.2 c);
• L > 2RM , due ovali distinti, Fig. 4.2 d).
Per le aree di sorveglianza, come si analizzera in seguito, si ha a che fare con un unico
ovale, soddisfacente la condizione L < 2RM [20].
Fig. 4.2: Esempi di ovali, al variare di RM
4.1.3 Localizzazione per radar monostatici, bistatici e multistatici
Radar monostatico
La localizzazione e direttamente legata alla misura del ritardo temporale fra il segnale
riflettuto dal target ed il segnale ricevuto direttamente dal trasmettitore.
In presenza di un unico radar monostatico (L = 0, Fig. 4.3) non e possibile determinare
la posizione assoluta del target ma solamente una circonferenza, alla quale sicuramente
apparterra lo stesso a partire dal ritardo temporale τ fra segnale inviato e ricevuto. Indi-
cando con R la distanza del target dal radar, il luogo di punti da appartenenza ha raggio
R pari a:
R =τ · c
2, (4.1.3)
dove: c rappresenta la velocita di propagazione.
4.1 Introduzione 63
Fig. 4.3: Luoghi di punti localizzabili
Radar bistatico
In presenza di un radar bistatico il luogo di punti localizzazzabili e un elisse, denominata
anche ellisse equi-TOA. Ipotizzando posizione del trasmettitore e del ricevitore fisse, i
punti sull’ellisse presentano un valore di LR + LM costante. Un unico radar bistatico
quindi puo solamente determinare un’ellissi di appartenenza (Fig. 4.4) [2].
Fig. 4.4: Luoghi di punti localizzabili
Sistema multistatico
Per localizzare la posizione esatta del target e necessario disporre di piu radar bistatici o di
combinazioni di radar bistatici e monostatici. L’intersezione fra i luoghi di appartenenza
di ogni sistema da luogo alla stima della posizione, come si evidenzia nei due casi di Fig.
4.5 [2].
Nello schema superiore di figura 4.5 si puo notare un sistema formato da un radar mo-
nostatico ed uno bistatico mentre nello schema inferiore il sistema e formato da un radar
monostatico ed due bistatici.
Nei paragrafi successivi viene analizzato un sistema formato da radar multistatico: esso e
formato da un trasmettitore e piu ricevitori, formando quindi numerose coppie di radar bi-
statici. La stima della posizione del target avverra semplicemente eseguendo l’intersezione
fra le varie ellissi di ogni coppia di radar.
64 Analisi di un sistema di localizzazione
Fig. 4.5: Sistemi multipli
4.2 Panoramica sul sistema
Il sistema anti-intrusione di radar multi-statici [1, 22] in esame, e costituito da un tra-
smettitore (TX) ed N ricevitori (RX) con N ≥ 3, dove ogni coppia RX-TX puo essere vista
come un radar bistatico. Tali elementi, possono essere disposti, ad esempio, all’interno di
un’area circolare A, al fine di coprire il piu possibile la stessa e localizzare eventualmente
una persona in movimento all’interno (Fig. 4.6).
Fig. 4.6: Scenario del sistema di localizzazione
Il sistema prevede una rete wireless per trattare i dati relativi ai segnali ricevuti da ogni
elemento. Si rende necessaria quindi la presenza di un’unita centrale di elaborazione (de-
nominata anche fusion node [23]) che ha il compito di effettuare l’elaborazione dei dati
ricevuti da ogni noto per poter determinare una corretta stima della localizzazione del tar-
get [23]. Ogni nodo e costituito da una struttura complessa, per poter eseguire le diverse
operazioni che passo-passo vengono effettuate per poter trattare i segnali ricevuti in modo
efficiente. Uno schema piu indicativo viene presentato nella Fig. 4.7. [23, 24].
4.2 Panoramica sul sistema 65
Fig. 4.7: Caratterizzazione generale del sistema
Il sistema prevede l’utilizzo della tecnologia UWB per i segnali inviati e ricevuti per via
dei numerosi vantaggi [23]:
• consumo di potenza basso;
• accuratezza centimetrica nella localizzazione;
• robustezza alle riflessioni in ambienti interni.
L’operazione di localizzazione prevede una serie di passi eseguibili dal sistema [23], essi si
possono sintetizzare in:
• TOA estimation;
• clutter removal;
• detection;
• imaging;
• tracking.
I primi tre passi vengono solitamente eseguiti separatamente da ogni nodo mentre i restanti
da un’unita centrale [1, 23, 24]. A quest’ultima aspetta anche la decisione, eventualmente,
di generare un allarme qualora sia stata riscontrata la presenza di un intruso all’interno
dell’area di sorveglianza. Ogni ricevitore puo essere dotato di un’unita di elaborazione
autonoma in cui puo avvenire la prima pulizia del segnale con lo scopo di incrementarne
il rapporto segnale-rumore e di eliminare i contributi dovuti ai clutter [1, 23, 24]. L’unita
centrale di elaborazione svolge il compito finale ovvero l’individuazione del target e l’even-
tuale tracciamento della traiettoria.
La trattazione focalizza il proprio contenuto sulla stima del TOA e sulla successiva loca-
lizzazione del target a partire da quest’ultima, gli altri punti vengono descritti brevemente
in seguito per completezza.
66 Analisi di un sistema di localizzazione
4.2.1 Clutter removal
Viene denominato clutter qualsiasi oggetto presente nell’area di sorveglianza che non sia il
target, esso puo essere statico (se fermo) o non statico (se in movimento) [24]. Si ipotizzi
che il segnale inviato dal trasmettitore sia di tipo UWB, formato da un singolo (o da
una serie) di impulsi. Il ricevitore riceve un segnale formato da numerosissime riflessioni
dovute ai clutter ed una dovuta al target secondo la (4.2.1):
r(t) = A0g(t− τ0) +Nc∑i=1
Aig(t− τi) + n(t) , (4.2.1)
dove: A0g(t − τ0) e il segnale riflesso dal target,∑Nci=1Aig(t − τi) e la sommatoria dei
contributi dovuti ai clutter, n(t) e il rumore sovrapposto.
Un esempio di scansione e mostrato in Fig. 4.8 [24], il segnale blu rappresenta il risultato
in assenza di target, mentre il segnale rosso rappresenta la scansione con il target. E’
interessante notare come in un ambiente standard i due segnali siano difficilmente discri-
minabili e il l’effetto dei clutter e di gran lunga superiore a quello del target.
Fig. 4.8: Scansione
Si rendono necessari algoritmi appositi per la rimozione dell’effetto dei clutter, i due
principali, ad esempio, prendono il nome di Empty-room e Moving Target Indicator [23, 24].
Empty-room
E’ costituito da una fase di set-up durante la quale viene eseguita una scansione in assenza
del target seguita da una in presenza di target. La differenza fra le due scansioni e
il segnale pulito riflettuto dal target che nel nostro caso rappresenta il singolo impulso
UWB. Il sistema perde efficacia se vi sono repentine variazioni dell’ambiente in quanto
ogni variazione richiede una nuova fase di start-up [23].
4.2 Panoramica sul sistema 67
Moving Target Indicator
Si basa sulla variazione delle caratteristiche dell’eco di un impulso (ampiezza, ritardo), se
l’oggetto e in movimento. Prevede delle scansioni seguite da un successivo campionamento
del segnale. I risultati delle scansioni vengono inseriti in una riga di un apposita matrice.
Un filtraggio delle colonne da parte di un filtro FIR permette di recuperare le informazione
relative al segnale d’interesse, ovvero quello riflesso dal target [23].
4.2.2 Imaging e Detection
Consistono nella decisione sulla presenza o sull’assenza del target, a partire dal segnale
ricevuto da ogni nodo [24]. L’area di sorveglianza viene suddivisa in molti pixel di coordi-
nate (x, y). Il nodo comunica al fusion center l’informazione proveniente dalla correlazione
fra il segnale ricevuto e quello inviato, utilizzando una tecnica basata su alcune soglie pro-
babilistiche in seguito all’analisi del segnale riflesso ricevuto da ogni ricevitore. [23, 24].
Le due ipotesi prese in considerazione sono:
H0 : r(t) = n(t) ,
H1 : r(t) = Ap(t− τ) + n(t) , (4.2.2)
dove: n(t) e il rumore bianco gaussiano sovrapposto, p(t) e il segnale ricevuto, ritardato
di τ ed eventualmente attenuato di un fattore A (0 < A < 1 ).
La (4.2.2) indica come ogni ricevitore valuti l’assenza del segnale ricevuto (ipotesi H0
verificata, solo rumore) o la sua presenza (ipotesi H1 verificata) sulla base dell’analisi
del segnale ricevuto. Poiche il segnale puo essere attenuato, non sempre e possibile di-
stinguerlo chiaramente dal rumore sovrapposto, per questo motivo si rende necessaria la
trattazione matematica descritta in [23, 24].
I dati vengono successivamente inviati al fusion center il quale provvede alla decisione
finale sulla presenza o assenza effettiva del target (a partire ad esempio dalla logica mag-
gioranza di risposte affermative da parte di ogni ricevitore [23]) e della determinazione ef-
fettiva della posizione (P (x, y)). Nella sezione riguardante la simulazione viene presentata
la tecnica che utilizza la correlazione a partire dalla stima del ritardo fra i segnali.
4.2.3 Tracking
Per migliorare l’accuratezza e le performance di un tale sistema di localizzazione e utile
disporre di tecniche per la stima della traiettoria (tracking) del target all’interno dell’area
di sorveglianza (si veda la sezione 5.4).
Un modo per realizzare tale operazione consiste nel tentarre di predirre la posizione futura
del target a partire dall’ultima stima effettuata [23, 24], grazie all’utilizzo di un particolare
filtro. Denotando con [X(t), Y (t)] le coordinate generiche bidimensionali istantanee del
target, il filtro utilizzato e implementato al fine di assumere la posizione Xn all’istante nTf ,
con Xn = [X(nTf ), Y (nTf )]. Tale posizione e determinata a partire da quella dell’istante
68 Analisi di un sistema di localizzazione
precedente (n− 1)Tf dalla formula:
Xn = Xn−1 + ∆Xn , (4.2.3)
dove: ∆Xn e un processo random senza memoria in accordo con una caratterizzazione
statistica P∆(x) [23], che rappresenta una distribuzione Gaussiana.
L’assunzione di indipendenza statistica della variazione di posizione ∆Xn e particolarmen-
te appropriata per descrivere la variazione casuale di traiettoria di un target all’interno
dell’area [23]. Il vettore osservato Rn e nella forma:
Rn = fXn + Zn , (4.2.4)
dove Zn e un processo di rumore ed f(•) e una funzione deterministica.
L’uscita del filtro Bayesiano stimera la posizione n-esima xn a partire dalla posizione
precedente xn−1 e dalla distribuzione statistica P∆(x) [23].
4.3 Aspetti generali sul sistema
4.3.1 Analisi geometrica
Nella sezione 4.1.1 relativa ai radar bistatici si e ampiamente descritta la caratterizzazione
geometrica degli stessi. A partire dalla Fig. 4.1 si passi alla Fig. 4.9 presente nell’articolo
[1] e che mostra un trasmettitore e un ricevitore, distanziati di una quantita l, ed il luogo
di punti di appartenenza del target, ovvero l’ellisse.
Fig. 4.9: Elisse caratteristica di un radar bistatico
Si prenda in considerazione un radar bistatico, di tipo impulsivo che si basa su tecnologia
UWB. L’impulso, emesso dal trasmettitore (che per ipotesi si assume omnidirezionale) si
propaga e raggiunge il ricevitore percorrendo due vie: direttamente lungo il percorso l
ed indirettamente percorrendo la distanza l1 fra trasmettitore e target e successivamente,
dopo la riflessione, percorrendo la distanza l2 fra target e ricevitore.
A partire dal ritardo τ fra i due segnali ricevuti (si assuma per ipotesi che sia gia stata
effettuata l’operazione di clutter removal descritta precedentemente e via sia solo la com-
ponente relativa al target) e possibile stimare un’elissi equi-TOA con fuochi TX ed RX,
4.3 Aspetti generali sul sistema 69
secondo quanto spiegato in 4.1.3 e visibile in Fig. 4.9.
Fig. 4.10: Segnale trasmesso e ricevuto
Si osservi la Fig. 4.10, il ricevitore sara in grado di misurare il ritardo fra i due segnali τ
ad esempio grazie ad uno dei metodi di correlazione.
Il TOAdiretto rappresenta la distanza temporale dell’impulso che giunge direttamente al
ricevitore, esso e facilmente determinabile a partire dalla distanza l (fissa e nota) e dalla
velocita di propagazione c, secondo la (4.3.1):
TOAdiretto =l
c. (4.3.1)
Grazie alla conoscenza di questi due parametri sara possibile pervenire a l1 + l2 e quindi
ai parametri dell’elisse in maniera molto semplice:
TOAriflesso =l1 + l2c
= TOAdiretto + τ . (4.3.2)
A partire dalla (4.1.2) si puo notare come la potenza ricevuta per un radar bistatico sia
proporzionale a 1/(l1 ·l2)2. Il target quindi, muovendosi lungo l’elisse equi-TOA, non causa
nessuna variazione del ritardo fra i segnali τ ma provoca una variazione della potenza rice-
vuta. In particolare la potenza minima si ha quando il target si trova alla stessa distanza
fra TX ed RX.
In questo contesto si inserisce l’ovale di Cassini descritto precedentemente che rappresen-
ta una curva chiusa equipotenziale, in particolare il target muovendosi lungo l’ovale non
causa una variazione di potenza ricevuta, ma provoca un cambiamento del ritardo τ , Fig.
4.11. Sia l’ellisse equi-TOA sia l’ovale di Cassini ha fuochi in RX, TX. Se si ipotizza un
sistema cartesiano con RX (−1, 0) e TX (1, 0) una possibile schematizzazione e visibile in
Fig. 4.12.
E’ possibile osservare in Fig. 4.12 ad esempio un diagramma cartesiano con un’ellissi
equi-TOA (in grassetto) e due ovali di Cassini. E’ interessante notare come nella caratte-
70 Analisi di un sistema di localizzazione
Fig. 4.11: Ovale di Cassini
Fig. 4.12: Esempio di Ellisse equi-TOA (in grassetto) e di due Ovali di Cassini
rizzazione descritta per un sistema anti-intrusione l’ovale sia unico, come i due visibili in
Fig. 4.12 e come descritto in 4.1.2.
4.3.2 Potenza trasmessa e ricevuta
In un radar bistatico, ipotizzando di utilizzare impulsi limitati in banda, la potenza ri-
cevuta direttamente dal ricevitore, puo essere determinata a partire dalla formula di Frii
[1]:
P directr−NB =PtGtGrλ
2
l2(4π)2, (4.3.3)
dove: Pt e la potenza trasmessa, Gt e Gr sono i guadagni d’antenna del trasmettitore e
del ricevitore, λ e la lunghezza d’onda.
Si assuma che il target sia caratterizzato da un fattore RCS (Radar Cross Section) σ
definito come [1, 20]:
σ = 4πl22PsPi, (4.3.4)
4.3 Aspetti generali sul sistema 71
dove: Pi e la densita di potenza incidente il target, Ps e la densita di potenza ricevuta.
La potenza ricevuta dal target e quindi pari a:
P targetr−NB =PtGtGrλ
2
(l1l2)2(4π)3, (4.3.5)
Le formule (4.3.3) e (4.3.5) sono valide per segnali limitati in banda con λ costante. Cio
non e piu vero se si utilizzano come nel caso di studio impulsi di tipo UWB. Le formule
precedenti devono essere rivisitate considerando la banda del segnale fra un valore minimo
e massimo [fL, fU ].
La (4.3.3) diventa cosı:
P directr−UWB =
∫ fL+B
fL
St(f)Gt(f)Gr(f)c2
l2(4π)2f2df , (4.3.6)
dove: Gt(f) eGr(f) sono i guadagni di antenna del trasmettitore e del ricevitore dipendenti
dalla frequenza,
St(f) e la densita spettrale di potenza.
La banda del segnale viene indicata con B = fU − fL, corrispondente agli estremi di
integrazione della (4.3.6). In maniera analoga la potenza riflettuta dal target diviene:
P directr−UWB =
∫ fL+B
fL
St(f)Gt(f)Gr(f)c2
(l1l2)2(4π)2f2df . (4.3.7)
Considerando costanti in frequenza i guadagni delle antenne e la densita spettrale di
potenza costanti nell’intervallo B la (4.3.6) diventa:
P directr−UWB =StGtGrc
2
l2(4π)2(
1
fL− 1
fL +B) , (4.3.8)
mentre la (4.3.7) diventa:
P directr−UWB =StGtGrc
2
(l1l2)2(4π)2(
1
fL− 1
fL +B) . (4.3.9)
Ogni coppia RX-TX presenta un renge massimo di copertura, direttamente legato alla po-
tenza ricevuta dal ricevitore. Nasce cosı il concetto di Ovale di Cassini Massimo denotato
con (l1 · l2)max e definito dalla (4.3.10):
(l1 · l2)max =
√StGtGrc2
Pth(4π)2(
1
fL− 1
fL +B) , (4.3.10)
dove Pth e la potenza minima, direttamente dipendente dalla densita spettrale di potenza
per singolo impulso e dalla frequenza di ripetizione degli impulsi.
La prima importante condizione per la localizzazione in un radar bistatico e di carattere
energetico, ovvero il target si deve trovare all’interno dell’Ovale di Cassini Massimo per
la coppia TX-RX in esame [1, 24].
Per ogni radar vi e un minimo valore l1 + l2 rilevabile direttamente dipendente dall’iden-
72 Analisi di un sistema di localizzazione
tificazione dei segnali da parte del ricevitore. Si consideri la Fig. 4.10: se la distanza
fra l’impulso ricevuto direttamente e quello riflettuto dal target fosse troppo piccolo, non
sarebbe possibile distinguerli e quindi non sarebbe possibile una corretta stima dei pa-
rametri. Denotando con γ il minimo intervallo misurabile, la posizione del target deve
verificare la seguente uguaglianza:
l1 + l2 ≥ l + γc . (4.3.11)
I parametri caratteristici del caso limite diventano cosı:
(l1 + l2)min = l + γc , (4.3.12)
dando vita ad un ellisse denominata Ellisse minima all’interno della quale i due impulsi
non sono piu essere discriminati ed il target quindi non puo piu essere localizzato.
Si perviene cosı un importante condizione geometrica per la localizzazione da parte di un
radar bistatico: il target deve trovarsi all’interno dell’Ovale di Cassini Massimo ma all’e-
sterno dell’Ellisse minima. L’are di copertura quindi e visualizzabile in Fig. 4.13. L’area
circoscritta dall’Ellisse minima rappresenta una zona cieca all’interno della quale il target
non puo essere localizzato.
Fig. 4.13: Ovale di Cassini Massimo ed Ellisse minima
Un’eventuale imperfetta stima del TOA causa un errore sulla stima dei parametri dell’elissi
equi-TOA. Il target quindi potra quindi trovarsi nella zona racchiusa fra due possibili elissi
come mostrato in figura:
In generale l’anello non ha uno spessore costante, in quanto l’errata stima dipende diret-
tamente dal SNR al ricevitore, la misura di quest’ultimo e inversamente proporzionale alla
zona di incertezza e vice-versa secondo la [1]. La radice quadratica media della stima della
distanza d e pari: √V ar(d) ≥ c
2√
2π√SNRβ
, (4.3.13)
dove β e un parametro definito come segue:
β2 =
∫∞−∞ f
2|P (f)|2∫∞−∞ |P (f)|2
df , (4.3.14)
4.3 Aspetti generali sul sistema 73
Fig. 4.14: Zona di incertezza
dove P (f) e la trasformata di Fourier dell’impulso inviato. Il parametro SNR e posto pari a
10 dB, ovvero si ipotizza un caso di rumore abbastanza ampio. Nel resto della trattazione
e nelle simulazioni non viene presa in considerazione tale non-idealita, ipotizzando una
corretta stima del TOA.
4.3.3 Analisi per un sistema multistatico
Le considerazioni elencate nei paragrafi precedenti sono facilmente applicabili ad un siste-
ma multistatico, costituito da un trasmettitore ed N ricevitori. La trattazione si basa sullo
studio della percentuale di copertura del’area di sorveglianza A e sulla potenza trasmessa
richiesta per eseguire la localizzazione di un’eventuale intruso.
Per eseguire questo compito e necessario un numero minimo di 3 ricevitori, costituenti
3 coppie di radar bistatici RX-TX. La condizione necessaria per la localizzazione e che
il target si trovi all’interno dei tre Ovali di Cassini massimi e all’esterno delle tre ellissi
minime .
Se si avesse a che fare con un sistema con N = 4, l’unico vincolo sarebbe quello riguardan-
te l’inclusione negli ovali massimi, in quanto la copertura totale dell’area sarebbe sempre
garantita.
L’area da sorvegliare A e assunta circolare ed ha un raggio R. Anche la rete formata dal
trasmettitore e dai ricevitori e circolare con raggio r con (r ≤ R), analogamente a quanto
osservato nella Fig. 4.6. Per una miglior comprensione geometrica e utile immaginare le
due circonferenze disposte su un diagramma cartesiano con centro (0, 0), mentre l’unico
trasmettitore viene posto nel punto di coordinate (0, r), secondo la Fig. 4.15.
Gli N nodi sono posizionati simmetricamente rispetto all’asse y con N/2 nodi aventi ascis-
sa positiva ed N/2 aventi ascissa negativa. L’angolo RXi− ˆTX−RXi+1 viene denominato
θ (si veda la Fig. 4.6). Deve essere soddisfatta la condizione:
0 ≤ θ ≤ π
N − 1. (4.3.15)
Per θ = 0 tutti i ricevitori si trovano nella posizione (0,−r) mentre per θ = π/(N − 1)
essi si trovano nella posizione del TX. Ovviamente questi ultimi due casi rappresentano
solamente degli esempi matematici e non sono di nessuna utilita pratica.
74 Analisi di un sistema di localizzazione
Fig. 4.15: Area A e disposizione del TX e degli RX
Per ognuna delle N coppie TX-RX e interessante sottolineare la caratterizzazione geome-
trica al fine di determinare la potenza minima. Si consideri una generica coppia TX-RX
nella Fig. 4.16, dove P rappresenta il punto teoricamente piu lontano dove puo trovarsi il
target. L’Ovale di Cassini massimo per questa coppia dovra quindi tangere questo punto
in modo che la potenza minima sia comunque sufficiente per poter garantire la localizza-
zione.
Fig. 4.16: Caratterizzazione geometrica
Il cammino percorso da un impulso trasmesso dal TX, riflesso dal target in posizione P e
4.3 Aspetti generali sul sistema 75
ricevuto dal RX e pari a:
(l1 + l2)max = 2
√R2 + r2 + 2Rr sin(
N − 1
2θ) . (4.3.16)
Il valore del prodotto (l1 · l2)max dal quale dipende la potenza e pari a:
(l1 · l2)max = R2 + r2 + 2Rr sin(N − 1
2θ) . (4.3.17)
La potenza minima, necessaria per poter localizzare in target in qualsiasi punto dell’area
A e quindi uguale a:
Ptmin = 10log(Pth[R2 + r2 + 2Rr sin(N−1
2 θ)]2(4π)3
GtGrσ[1/fL − 1/(fL +B)]c2) . (4.3.18)
Gli impulsi vengono trasmessi in serie, con una frequenza di ripetizione PRF [1, 24].
L’impulso riflesso dal target arriva naturalmente dopo quello trasmesso direttamente, esso
tuttavia non puo arrivare dopo il secondo impulso trasmesso direttamente altrimenti il
ricevitore non sarebbe piu in grado di distinguerli [24].
Fig. 4.17: Impulsi inviati
Osservando la Fig. 4.17 si possono osservare gli impulsi trasmessi direttamente (neri) con
un periodo di ripetizione Ti. La distanza temporale fra l’impulso ricevuto direttamente e
quello riflesso (blu) deve assumere un valore massimo τmax per non commettere errori nella
ricezione. Si deve garantire cosı che Ti > τmax il che equivale a dire che PRF < 1/τmax.
Si ha cosı la necessita di limitare superiormente la frequenza di ripetizione degli impulsi
PRFmax dipendentemente dalla caratterizzazione geometrica dell’area, secondo la 4.3.19.
PRFmax =1
2√R2 + r2 + 2Rr sin(N−1
2 θ). (4.3.19)
4.3.4 Risultati presentati
Per una migliore comprensione dei risultati, si veda la Tab. 4.1 [1] presente anche nell’ar-
ticolo che riporta i parametri principali del sistema. Il resto della trattazione presentera
alcuni importanti risultati per N = 3 ovvero con 3 coppie di radar bistatici al variare del
76 Analisi di un sistema di localizzazione
Tab. 4.1: Parametri fondamentali del sistema
Parametro Simbolo Valore
Raggio R 50 m
Minimo delay risolvibile γ 10 ns
SNR di soglia SNRth 10 dB
Frequenza inferiore fL 5 GHz
Banda del segnale B 500 MHz
Frequenza superiore fU 5.5 GHz
Frequenza di ripetizione degli impulsi PRF 1.5 MHz
Guadagno trasmettitore Gt 0 dB
Guadagno ricevitore Gr 0 dB
Radar Cross Section σ 1m2
Rumore addizionale F 7 dB
Temperatura antenna Ta 290 K
Perdite Λs 2.5 dB
parametro r e dell’angolo θ, definito nella (4.3.20) che diventera quindi:
0 ≤ θ ≤ π
2. (4.3.20)
Nell’articolo sono presenti anche alcuni risultati per N = 4.
Per r = 0 TX e i tre RX si trovano nella posizione (0, 0), per θ = 0 i quattro dispositivi
si trovano in (0,−r) mentre per θ = π/2 RX, TX1 e TX3 si trovano in (0, r) e TX2 in
(0,−r). La posizione stimata del target viene individuata grazie all’intersezione delle tre
Ellissi equi-TOA (ognuna per ogni coppia TX-RX).
Percentuale di copertura dell’area
La percentuale di copertura dell’area, e il primo parametro molto importante per l’analisi
di questo tipo di sistema.
Se si ipotizza di che la potenza minima Ptmin (definita nella (4.3.18)) garantisca la co-
pertura dell’intera area A (il che equivale a dire che l’Ovale di Cassini massimo definito
nella (4.3.17) sia tangente il punto piu lontano per ogni coppia TX-RX) il punto critico
riguardera l’area “non copribile”, costituita dalle tre Ellissi minime definite nella (4.3.12).
La copertura, varia quindi in funzione di θ e di r in quanto si modifica la posizione dei tre
RX e varia quindi l’area “non copribile” da parte del sistema.
L’analisi avviene variando θ in un intervallo che va da 0 ad 80 gradi, mentre il range
di r va da 0 a 50 metri. Il risultato puo essere presentato in un grafico tridimensionale
visibile in Fig. 4.18. La massima copertura dell’area si ha quando, r = 0m mentre quella
minima si ha per r = 50m, ovviamente tali limiti sono solamente matematici e non sono
di interesse.
I restanti valori vengono calcolati per coppie di (r, θ) negli intervalli sopra descritti.
4.3 Aspetti generali sul sistema 77
Fig. 4.18: Percentuale di copertura dell’area
Potenza minima
La potenza minima Pth, definita precedentemente varia anch’essa in funzione di θ ed r.
Analogamente a quanto fatto precedentemente e possibile ottenere un grafico tridimensio-
nale visibile in Fig. 4.19. Tale funzione e crescente sia per θ sia per r.
Fig. 4.19: Potenza minima richiesta
Dal punto di vista della potenza trasmessa la migliore configurazione si ha per r = 0, che
rappresenta comunque, come nel caso della copertura dell’area A, solamente un estremo
matematico. E necessario quindi una scelta di compromesso fra θ ed r in seguito all’analisi
delle Fig. 4.18 e Fig. 4.19.
78 Analisi di un sistema di localizzazione
Incertezza sulla localizzazione
Vengono presentati alcuni risultati riguardanti l’incertezza sulla localizzazione, dovuta
alla non perfetta stima dell’Ellissi equi-TOA [1]. In questo caso infatti si ha un’area di
incertezza formata dall’intersezione delle tre elissi visibile in Fig. 4.20.
Fig. 4.20: Area di incertezza nella localizzazione
L’area di incertezza viene valutata approssimativamente al variare di θ e di r realizzando
diagrammi bidimensionali.
Fig. 4.21: Area di incertezza per r= 50 m
La Fig. 4.21 mostra come per θ −→ 0 l’area di incertezza cresca vertiginosamente. Nella
zona centrale, per θ = 40◦ l’area presenta un minimo mentre per θ −→ π/2 l’area cresce,
ma molto lentamente.
La Fig. 4.21 mostra come l’area di incertezza si in una funzione decrescente, che decresce,
al crescere di r.
4.3 Aspetti generali sul sistema 79
Fig. 4.22: Area di incertezza per θ = π/2
Conclusioni
Le sezioni precedenti hanno dimostrato gli effetti principali al variare di θ e di r. Al fine di
massimalizzare la percentuale di copertura dell’area A e minimizzare la potenza minima
richiesta Ptmin si renderebbe necessaria una scelta di r −→ 0. Per un basso valore di r
la scelta di θ non incide in modo significativo, mentre all’aumentare di r e preferibile un
θ grande il piu possibile. Per minimizzare la Ptmin invece, al crescere di r si renderebbe
preferibile un θ −→ 0.
Dal punto di vista dell’area di incertezza, sarebbe preferibile una scelta di r −→ R che
contrasta con le considerazioni precedenti. Si rende quindi necessaria una scelta di com-
promesso di r e di θ, in funzione di quale aspetto si desidera ottimizzare fra copertura
dell’area, potenza minima richiesta e area di incertezza.
80 Analisi di un sistema di localizzazione
4.4 Riferimenti
[2] P. Withington, H. Fluhler, and S. Nag. Henanced Homeland Security with
Advanced UWB Sensor.
Impianti di potenza e particolari aree di sorveglianza possono risultare vulnerabili in caso
di attacco terroristico. Per questo motivo si rende necessario il rilevamento di intrusi non
autorizzati. Per questo motivo sono stato sviluppati sistemi radar UWB con l’obiettivo di
rilevari intrusi in una particolare erea di sorveglianza.
[20] M. Skolnik. Radar Handbook.
Il libro presenta una trattazione completa su tutti i tipi di radar e sulle loro applica-
zioni in ambito industriale e militare. E’ di particolare interesse la parte relativa ai radar
bistatici.
[21] M. C. Jackson. The Geometry of Bistatic Radar Systems.
Elenca le principali proprieta di un radar bistatico, comparandolo con quelle del radar
monostatico. Il radar bistatico trova impiego in alcune particolari applicazioni, nelle quali
risulta vantaggioso. L’ articolo presenta inoltre una caratterizzazione geometrica completa
con curve e diagrammi.
[22] S.Doughty and K. Woodbridge. Charaterization of a Multistatic Radar
Systems.
Presenta la caratterizzazione iniziale per un sistema radar multistatico. Il loro utilizzo
trova posto in situazioni di monitoraggio di alcune particolari aree di sorveglianza. Una
rete composta da un sistema radar multistatico consente numerosi vantaggi rispetto ad un
sistema composto da radar monostatici e bistatici indipendenti gli uni dagli altri.
[23] M. Chiani, A. Giorgetti, M. Mazzotti, R. Minutolo, and E. Paolini. Target
Detection Metrics and Tracking for UWB Radar Sensor Network.
Una rete di sensori radar e una rete formata da un trasmettitore e piu ricevitori con
l’obiettivo di rilevare e stimare la traiettoria di un target umano all’interno di una parti-
colare area da sorvegliare. Il sistema in esame utilizza la tecnologia UWB.
[24] E. Paolini, High Precision Passive Localization Through UWB Radar Sen-
sor Network.
Presenta le caratteristiche principali del sistema definito nell’articolo di riferimento [1]
espandendo la propria attenzione su operazioni di contorno come la rimozione dei clutter
4.4 Riferimenti 81
e la stima della traiettoria di un eventuale target in movimento.
82 Analisi di un sistema di localizzazione
4.5 Simulazioni
In questa sezione vengono presentati alcune simulazioni mediante Matlab in riferimento
ad alcuni risultati ottenuti nel paper ed esposti nei paragrafi precedenti.
4.5.1 Prima simulazione
In questa prima semplice simulazione (file sim_1) viene presentata la realizzazione geo-
metrica di un’Ellisse equi-TOA per un caratteristico radar bistatico, in posizione orizzon-
tale, come quella presente nella Fig. 4.9. Il codice visualizza un’interfaccia utente per
l’immissione dei parametri geometrici. Inserendo i seguenti parametri:
ascissa TX
2
ascissa RX
8.25
ordinata TX-RX
1
ascissa del TARGET
5
ordinata del TARGET
4
vengono fissati le posizioni del trasmettitore, del ricevitore e del target come: TX=(2,1),
RX=(8.25,1), TARGET=(5,4). Il codice provvede a visualizzate (Fig. 4.23) le posizioni di
questi ultimi elementi, l’Ellisse equi-TOA caratteristica e l’Ellisse minima definita dalla
(4.3.12) e con un γ = 1ns. In Appendice A sono presenti le equazioni dell’ellisse.
1 2 3 4 5 6 7 8 9
−2
−1
0
1
2
3
4
ascisse [m]
ordi
nate
[m]
Radar bistatico TXRXTargetEllisse equi−TOAEllisse−minimo
Fig. 4.23: Semplice realizzazione di in’ellisse equi-TOA
4.5 Simulazioni 83
4.5.2 Seconda simulazione
La seconda simulazione (file sim_2) introduce un semplice esempio di sistema multistatico
realizzando una possibile interazione fra un TX e due RX, ognuno dei quali riceve un
segnale diretto dal trasmettitore stesso, ed un segnale riflesso dal target, come visto nella
Fig. 4.10. A partire dalla stima del ritardo, e conoscendo la posizione fisica del trasmetti-
tore e del ricevitore e possibile stimare le due Ellissi equi-TOA e quindi, la posizione del
target. Un’apposita interfaccia utente permette di inserire i parametri geometrici, e un
ipotetico ritardo (in ns) fra i due segnali ricevuti da ricevitore.
ascissa TX
1
ascissa RX
2
distanza TX-RX1 (in ascissa)
5
distanza TX-RX1 (in ordinata)
6
ritardi fra i due segnali ricevuti da RX1 (in ns)
3
ritardi fra i due segnali ricevuti da RX2 (in ns)
5
Vengono cosı creati i punti: TX=(1,2), RX1=(6,2), RX2=(1,-4). Il codice realizza un
impulso UWB che si propaga omni-direzionalmente verso i due ricevitori (Fig. 4.24, segnali
blu), quest’ultimo arriva direttamente (Fig. 4.24, segnali verdi) e dopo la riflessione (Fig.
4.24, segnali rossi) simulando uno andamento reale.
0 10 20 30 40 50 60−1
−0.5
0
0.5
1
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali al RX1
Impulso trasmessoImpulso direttoImpulso riflesso
0 10 20 30 40 50 60−1
−0.5
0
0.5
1
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali al RX2
Impulso trasmessoImpulso direttoImpulso riflesso
Fig. 4.24: Segnali in esame
Lo scenario sara visualizzato in Fig. 4.25.
84 Analisi di un sistema di localizzazione
−2 −1 0 1 2 3 4 5 6 7
−4
−3
−2
−1
0
1
2
3
ascisse [m]
ordi
nate
[m]
Sistema con un trasmettitore e due ricevitori
TXRX1RX2Ellisse equi−TOA 1Ellisse equi−TOA 2Ellisse minima 1Ellisse minima 2
Fig. 4.25: Scenario
4.5.3 Terza simulazione
La terza simulazione (file sim_3) presenta una prima analisi del sistema in Fig. 4.6, pre-
sentato nel paper. Esso presuppone un’area circolare da sorvegliare A con raggio R ed una
rete di TX-RX con raggio r. L’interfaccia utente, oltre a questi due parametri richiede la
posizione del target.
Raggio area di monitoraggio [m]
50
Raggio rete di sensori [m]
40
Posizione del target in ascissa [m]
10
Posizione del target in ordinata [m]
15
La rete viene posizionata con una θ standard di 45 gradi, come visibile in Fig. 4.26. Si con-
sidera ora la caratterizzazione in termini di segnali. Un singolo impulso UWB trasmesso
dal trasmettitore all’istante iniziale (0 ns) e si propaga in ogni direzione (le antenne sono
ipotizzate omni-direzionali). Come discusso precedentemente, il segnale inviato si propaga
lungo l’area ed arriva al ricevitore sia nella versione diretta, sia nella versione riflessa dal
target
Per rendere la simulazione leggermente piu realistica il canale e stato modellato come un
rumore bianco di tipo gaussiano sovrapposto al segnale, grazie alla funzione randn(). Nel
codice i segnali ricevuti per ogni ricevitore sono denominati: x_diretto_1_noise,
x_diretto_2_noise,
x_diretto_3_noise,
mentre i segnali riflessi sono denominati: x_riflesso_1_noise,
4.5 Simulazioni 85
−60 −40 −20 0 20 40 60
−40
−30
−20
−10
0
10
20
30
40
ascisse [m]
ordi
nate
[m]
Area da sorvegliare
Area da sorvegliareRete TX−RXTXRX1−RX2−RX3targetEllissi minime
Fig. 4.26: Area A e posizione del target
x_riflesso_2_noise,
x_riflesso_3_noise.
La riflessione viene presentata come un riduzione dell’ampiezza del segnale stesso (con-
siderando solamente il path diretto e non le altre riflessioni solitamente presenti in un
ambiente reale).
Una simulazione cosı realizzata ha un interesse pratico esclusivamente didattico, infatti
solitamente la posizione del target non e nota, ma e l’incognita del nostro problema. Si
ragioni ora da qui in avanti sui due segnali ricevuti da ogni RX (diretto e riflesso) pro-
cedendo a ritroso ed andando a verificare che la posizione del target sia quella impostata
inizialmente.
Per realizzare le Ellissi equi-TOA e necessaria la conoscenza del ritardo temporale dei due
segnali ricevuti, τ come indicato nella (4.3.2). Per ottenere questo valore si e realizzata
semplicemente una correlazione dei due segnali, al fine di ottenere il ritardo. La Fig. 4.27
mostrano i segnali ricevuti da ogni ricevitore e la funzione di correlazione eseguita, grazie
alla funzione:
cccorrelation1=xcorr(x_diretto_1_noise,x_riflesso_1_noise). La stima delle tre
Ellissi equi-TOA porta al risultato visibile in Fig. 4.28. L’intersezione stima correttamente
la posizione indicata in partenza del target.
86 Analisi di un sistema di localizzazione
190 195 200 205 210 215 220−1.5
−1
−0.5
0
0.5
1
1.5
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX1
DirettoRiflesso
4 6 8 10 12 14 16 18 20 22−4
−2
0
2
4
Correlazione al RX1
ritardo [ns]
Cro
ss−
corr
elaz
ione
CC
260 265 270 275 280 285 290 295 300−1.5
−1
−0.5
0
0.5
1
1.5
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX2
DirettoRiflesso
10 12 14 16 18 20 22 24 26 28−4
−2
0
2
4
Correlazione al RX2
ritardo [ns]
Cro
ss−
corr
elaz
ione
CC
260 265 270 275 280 285 290 295 300−1.5
−1
−0.5
0
0.5
1
1.5
tempo [ns]
Am
piez
za n
orm
aliz
zata
Segnali ricevuti da RX2
DirettoRiflesso
10 12 14 16 18 20 22 24 26 28−4
−2
0
2
4
Correlazione al RX2
ritardo [ns]
Cro
ss−
corr
elaz
ione
CC
Fig. 4.27: Situazione presente per ogni ricevitore
4.5 Simulazioni 87
−60 −40 −20 0 20 40 60
−40
−30
−20
−10
0
10
20
30
40
50
ascisse [m]
ordi
nate
[m]
Area da sorvegliare
Ellissi
Fig. 4.28: Stima della posizione del target
4.5.4 Quarta simulazione
In questa simulazione (file sim_4_cassini_massimo) e realizzato un semplice codice per
la realizzazione degli Ovali di Cassini massimi per ognuna delle coppie TX-RX. I vari
ricevitori sono in posizione fissa, sulla circonferenza della rete di r = 40 m e sono spaziati
di π/4 rad. Si puo notare come tutti gli ovali sono tangenti alla circonferenza di raggio R
= 50 m che rappresenta il limite dell’area di sorveglianza A. Nella Fig. 4.29 si possono
osservare gli ovali tangenti l’are di sorveglianza. In Appendice A sono presenti le equazioni
dell’Ovale di Cassini.
−100 −50 0 50 100
−60
−40
−20
0
20
40
60
80
100
ascisse [m]
ordi
nate
[m]
Area da sorvegliare
Fig. 4.29: Ovali di Cassini Massimi
88 Analisi di un sistema di localizzazione
4.5.5 Quinta simulazione
L’obiettivo di questa simulazione (file sim_5_prova_area) e la costruzione della rete TX-
RX con un r ed un θ specificabili dall’utente. Inserendo θ = 15 gradi e r = 40 m si ottiene:
−60 −40 −20 0 20 40 60
−40
−30
−20
−10
0
10
20
30
40
ascisse [m]
ordi
nate
[m]
Area da sorvegliare
Fig. 4.30: Situazione per r=40 m e θ= 15 gradi
Nella simulazione e presente un algoritmo che permette di determinare l’area di coper-
tura in percentuale (COVERAGE). In questo scenario infatti un eventuale target puo essere
localizzato se si trova all’esterno delle tre ellissi minime rappresentate in figura. Per de-
terminare l’area comune degli ellissi si e pensato di realizzare quattro punti di appoggio,
visibili in Fig. 4.30 first giallo, second magenta, third rosso, fourth nero. Tali punti
Fig. 4.31: Punti per la realizzazione dell’algoritmo
vengono realizzati per determinare due poligoni visibili in Fig. 4.31 dei quali e semplice
determinare l’area, ovvero due triangoli. Dalla conoscenza di tali aree e si perviene alla
4.5 Simulazioni 89
percentuale di copertura solamente grazie a somme e sottrazioni di aree. Il parametro
AREA rappresenta l’area della superficie da controllare A, AREA_SUB rappresenta l’area in
comune fra le tre Ellissi minime mentre, AREA_NOT_COV rappresenta la somma delle aree
delle tre Ellissi minime. Eseguendo quindi il semplice segmento di codice seguente:
AREA_COV=AREA-AREA_NOT_COV+AREA_SUB;
COVERAGE=(AREA_COV/AREA)*100
Il codice restituisce inoltre la percentuale di copertura dell’area per i parametri specificati.
COVERAGE =
83.9711
4.5.6 Sesta simulazione
Questa parte finale e incentrata sulla simulazione dei grafici presenti nell’articolo e vi-
sti precedentemente in Fig. 4.18 e Fig. 4.19. E’ stata realizzata un funzione Matlab,
denominatacov.m a partire dal file (file sim_5_prova_area) a partire dall’impostazione di
r e di θ desiderati restituisce un valore corrispondente alla percentuale di copertura.
Tale funzione viene utilizzata nel file prova_1, nel quale viene iterativamente calcolato un
valore di copertura (restituito da cov.m) per valori di θ variabili di 0 a 80 gradi, con un
incremento di 2 gradi e valori di r da 50 a 0 metri con un incremento di 2 metri. I risultati
vengono messi in un matrice A, dove l’elemento Aij corrisponde alla copertura dell’area
corrispondente alla copertura per angolo i-esimo e raggio k-esimo. Viene visualizzato in
Fig. 4.32 il grafico tridimensionale ottenuto.
0 10 20 30 40 50 020
4060
8075
80
85
90
95
100
Angolo (gradi)
Copertura dell’area
Raggio (metri)
Cop
ertu
ra (
%)
Fig. 4.32: Percentuali di copertura dell’area
E’ possibile notare come il risultato ottenuto in Fig. 4.32 soddisfi con ottima approssima-
zione il risultato ottenuti nel paper e visibile in Fig. 4.18 [1].
90 Analisi di un sistema di localizzazione
4.5.7 Settima simulazione
In seguito si sono analizzati i risultati riguardanti la potenza minima. Considerando la
(4.3.18) e inserendo N = 3 essa diventa:
Ptmin(dBm) = 10log(Pth[R2 + r2 + 2Rr sin(θ)]2(4π)3
GtGrσ[1/fL − 1/(fL +B)]c2) . (4.5.1)
Come si puo osservare, la (4.5.1) e composta da termini variabili geometricamente e da
alcuni che rimangono costanti, essa si puo scomporre utilizzando le proprieta dei logaritmi:
Ptmin(dBm) = 10log(Pth(4π)3
GtGrσ[1/fL − 1/(fL +B)]c2) +K(r, θ) , (4.5.2)
dove il termine K(r, θ) dipende esclusivamente da termini geometrici, essendo pari a:
K(r, θ)(dBm) = 10log(R2 + r2 + 2Rr sin(θ))2 . (4.5.3)
Si e quindi dimostrato come l’andamento del grafico presente in Fig. 4.19 dipenda dal
termine K(r, θ).
Il file prova_potenza utilizza una particolare funzione, denominata kpotenza.m che ana-
logamente a quanto visto precedentemente crea una matrice A, dove l’elemento Aij corri-
sponde al termine K(r, θ) per angolo i-esimo e raggio k-esimo. Gli intervalli di variazione
sono gli stessi visti precedentemente.
Il grafico tridimensionale eseguito e visibile in Fig. 4.33.
010
2030
4050 0
20
40
60
8066
68
70
72
74
76
78
80
Angolo (gradi)
Coefficiente K(r,θ)
Raggio (metri)
K(r
,θ)
(dB
m)
Fig. 4.33: Coefficiente K(r, θ)
Il file crea anche una matrice B ottenuta grazie alla funzione pow che determina la potenza
minima, definita nelle (4.5.1), con i parametri indicati in Tab. 4.1. Il risultato ottenuto e
proposto in Fig. 4.34. Il grafico della potenza e rappresentato in Fig. 4.34, si puo osservare
chiaramente l’analogia con quanto presentato nel paper (Fig. 4.19).
4.5 Simulazioni 91
010
2030
4050 0
20
40
60
8032
34
36
38
40
42
44
46
Angolo (gradi)
Potenza minima necesaria
Raggio (metri)
Ptm
in (
dBm
)
Fig. 4.34: Potenza minima richiesta
4.5.8 Ottava simulazione
Quest’ultima simulazione e volta alla realizzazione di un grafico tridimensionale, che ri-
porta la frequenza massima di ripetizione PRFmax al variare di θ e di r, non presente
nell’articolo. Il file prova_impulsi utilizza la funzione impulsi.m per realizzare come
al solito una matrice A che contiene PRFmax, definita secondo la (4.3.19), al variare dei
parametri geometrici. Il grafico e visibile in Fig. 4.35.
010
2030
4050
020
4060
80
1.5
2
2.5
3
Raggio (m)
Frequnza degli impulsi PRF max
Angolo (gradi)
Fre
quen
za d
i rip
etiz
ione
impu
lsi (
MH
z)
Fig. 4.35: Frequenza di ripetizione PRFmax
Si puo osservare come la funzione sia decrescente per r −→ R, in quanto avvicinando la
rete di sensori agli estremi dell’area A e maggiore il tragitto che compiono gli impulsi.
La frequenza di ripetizione decresce inoltre per θ −→ π/2. Il sistema deve essere dimen-
92 Analisi di un sistema di localizzazione
sionato a partire dalla conoscenza di questi limiti, scegliendo una PRF in modo tale che
PRF ≤ PRFmax.
Capitolo 5
Considerazioni alternative e sviluppi futuri
5.1 Introduzione
Il capitolo 4, basato sull’analisi dell’articolo [1] ha elencato alcune condizione per poter
effettuare la localizzazione di un target umano all’interno di un’area circolare A. In questo
capitolo finale vengono presentate alcune simulazioni caratterizzate dalla variazione di
alcuni parametri rispetto ai risultanti in [1] con l’aggiunta di possibili sviluppi futuri.
5.2 Variazione del minimo tempo misurabile
Si e dimostrato come una condizione per la localizzazione di un target umano da parte
di un trasmettitore e tre ricevitori riguardi la non appartenenza dello stesso all’area com-
presa nelle tre elissi-minime. L’equazione di queste ultime dipende dal minimo ritardo
misurabile fra segnale diretto e riflesso, γ, descritto nella (4.3.12) che nel [1] e assunto pari
1ns.
La prima parte di quest’ultimo capitolo si concentra sulla simulazione dei risultati otteni-
bili con un γ via via maggiore. L’aumento di questo valore causa un incremento dell’area
sottesa da parte delle tre elissi minime con una successiva diminuzione della percentuale
di area cobribile rispetto a quanto visibile nella figura 4.32.
5.2.1 Simulazione con γ diversi, grafici tridimensionali
Il file sim1_1 e analogo al file sim_5_prova_area ma puo essere variato a piacere il γ.
Inserendo i seguenti parametri:
Angolo in gradi (da 0 a 80)
50
Raggio in metri (da 0 a 50)
40
Minimo delay rilevabile [ns]
10
Viene costruita una figura analoga a quella vista in Fig. 4.30 ma con le tre Ellissi minime
ovviamente ingrandite, per via dell’aumento di γ Fig. 5.1.
Come nel caso precedente, il codice restituisce la percentuale di copertura dell’area, che
risulta ovviamente minore rispetto al caso con γ = 1 ns.
COVERAGE =
56.9084
93
94 Considerazioni alternative e sviluppi futuri
−60 −40 −20 0 20 40 60
−40
−30
−20
−10
0
10
20
30
40
ascisse [m]
ordi
nate
[m]
Area da sorvegliare
Fig. 5.1: Situazione per r = 40 m, θ = 15 gradi e γ = 10 ns
Analogamente a quanto descritto nel capitolo precedente riguardante la funzione cov.m
che restituisce il valore di copertura dell’area per un γ pari a 1 ns, sono state realizzate le
funzioni cov2.m, cov5.m e cov10.m nel quale il γ assume rispettivamente i valori 2, 5, 10
ns.
Le prove sono state effettuate al variare di r e di θ considerando tuttavia solo gli intervalli
di utilizzo pratico, eliminando i valori che tendono verso i limiti matematici che non hanno
alcun interesse pratico: θ −→ π/2, θ −→ 0, r −→ 0.
E stato eliminato anche l’intervallo di r da 40 a 50 m in quanto la copertura e sempre
la minima, e l’algoritmo descritto nel capitolo precedente produrrebbe qualche risultato
errato per γ = 10 gradi.
Il file prova_2 realizza un grafico di copertura simile a quanto visto in 4.32 negli intervalli
indicati precedentemente. I valori di r vengono decrementati da 40 a 10 m con uno step
di 2 m, mentre gli angoli θ vengono incrementati da 10 a 80 gradi con uno step di 2 gradi.
Tali intervalli sono indicati nel codice: RAGGIO=[40:-2:10], ANGOLO=[10:2:80].
Il codice realizza quattro matrici A, B, C e D corrispondenti ai valori di γ pari a 1, 2, 5 e 10
ns. I risultati sono proposti in seguito dalla Fig. 5.2 alla 5.5. La Fig. 5.2 e l’equivalente
della Fig. 4.32, ma con un intervallo per r e θ ridotto, come spiegato precedentemente.
5.2 Variazione del minimo tempo misurabile 95
1020
3040 0
2040
608082
84
86
88
90
92
94
96
98
100
Angolo (gradi)
Copertura dell’area per γ= 1 ns
Raggio (metri)
Cop
ertu
ra (
%)
Fig. 5.2: Copertura per γ = 1 ns
1020
3040 0
2040
608075
80
85
90
95
100
Angolo (gradi)
Copertura dell’area per γ= 2 ns
Raggio (metri)
Cop
ertu
ra (
%)
Fig. 5.3: Copertura per γ = 2 ns
96 Considerazioni alternative e sviluppi futuri
1020
3040 0
2040
608060
65
70
75
80
85
90
95
100
Angolo (gradi)
Copertura dell’area per γ= 5 ns
Raggio (metri)
Cop
ertu
ra (
%)
Fig. 5.4: Copertura per γ = 5 ns
1020
3040 0
2040
608040
50
60
70
80
90
100
Angolo (gradi)
Copertura dell’area per γ= 10 ns
Raggio (metri)
Cop
ertu
ra (
%)
Fig. 5.5: Copertura per γ = 10 ns
5.2.2 Simulazione con γ diversi, grafici bidimensionali a parita di r
Si puo notare dai grafici come la copertura cali vistosamente all’aumentare di γ. Al fine
di meglio comprendere il calo di copertura, sono stati implementati due programmi che
realizzano delle curve equi-raggio ed equi-θ per ognuno del ψ presi in considerazione. La
funzione pari_raggio realizza un diagramma bidimensionale di copertura in funzione del-
l’angolo θ. Esso viene realizzato per 4 valori di r ovvero 10, 20, 30 e 40 m.
I risultati sono visibili nelle Fig. 5.6, 5.7, 5.8, 5.9. Si puo notare come in tutti i casi la
funzione copertura presenti un andamento sempre meno proporzionale al variare di r per
θ piccoli, il fenomeno e facilmente osservabile nel grafico di Fig. 5.9 soprattutto per γ =
10 ns e per γ = 5 ns.
5.2 Variazione del minimo tempo misurabile 97
Questa non idealita e dovuta alla difficolta di calcolare esattamente la funzione copertura
con l’algoritmo realizzato per grandi valori di γ e di r. Per bassi valori di r (Fig. 5.6) il
fenomeno non e piu presente.
10 20 30 40 50 60 70 8050
55
60
65
70
75
80
85
90
95
100
Angolo (gradi)
Cop
ertu
ra (
%)
Diagramma per r = 10 metri
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.6: Copertura per r = 10 m
10 20 30 40 50 60 70 8050
55
60
65
70
75
80
85
90
95
100
Angolo (gradi)
Cop
ertu
ra (
%)
Diagramma per r = 20 metri
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.7: Copertura per r = 20 m
98 Considerazioni alternative e sviluppi futuri
10 20 30 40 50 60 70 8050
55
60
65
70
75
80
85
90
95
100
Angolo (gradi)
Cop
ertu
ra (
%)
Diagramma per r = 30 metri
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.8: Copertura per r = 30 m
10 20 30 40 50 60 70 8050
55
60
65
70
75
80
85
90
95
100
Angolo (gradi)
Cop
ertu
ra (
%)
Diagramma per r = 40 metri
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.9: Copertura per r = 40 m
5.2.3 Simulazione con γ diversi, grafici bidimensionali a parita di θ
Il programma pari_theta realizza dei grafici bidimensionali equi-θ al variare del raggio.
Il valore di θ viene incrementato da 10 gradi ad 80 gradi con un intervallo di 10 gradi. In
questo caso, analogamente a quanto visto per il caso equi-raggio vi e un andamento non
lineare fra r e copertura al variare di γ, tale fenomeno e marcato per θ bassi (Fig. 5.10 e
5.11).
5.2 Variazione del minimo tempo misurabile 99
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 10 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.10: Copertura per θ = 10 gradi
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 20 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.11: Copertura per θ = 20 gradi
100 Considerazioni alternative e sviluppi futuri
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 30 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.12: Copertura per θ = 30 gradi
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 40 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.13: Copertura per θ = 40 gradi
5.2 Variazione del minimo tempo misurabile 101
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 50 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.14: Copertura per θ = 50 gradi
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 60 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.15: Copertura per θ = 60 gradi
102 Considerazioni alternative e sviluppi futuri
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 70 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.16: Copertura per θ = 70 gradi
10 15 20 25 30 35 40 45 50
40
50
60
70
80
90
100
raggio (m)
Cop
ertu
ra (
%)
Diagramma per θ = 80 gradi
γ = 1 nsγ = 2 nsγ = 5 nsγ = 10 ns
Fig. 5.17: Copertura per θ = 80 gradi
5.2.4 Conclusioni
Le simulazioni effettuate hanno mostrato come un aumento di γ porti ad una diminuzione
della percentuale di copertura, che varia in funzione di θ e di r. In caso di un γ eccessiva-
mente grande, per rendere l’algoritmo ancora utilizzabile e necessario scegliere un θ il piu
grande possibile con un r piu piccolo possibile. Bisogna pero ricordare che una variazione
di γ non influenza la potenza minima necessaria per la copertura dell’area, come descritto
nella (4.5.1) e quindi la scelta dei parametri geometrici θ ed r deve essere una scelta di
compromesso fra la copertura che si vuole avere e la potenza minima disponibile.
5.3 Applicazioni alternative 103
5.3 Applicazioni alternative
5.3.1 Caratterizzazione per un’area quadrata
Il paper di riferimento ha presentato i risultati per un’area supposta circolare A. In
generale l’area da controllare puo assumere qualsiasi forma, come ad esempio un’area
quadrata interna o esterna. Si supponga quindi che l’area da sorvegliare sia un’area con
lato pari a 100 m, B e la rete di trasmettitore-ricevitori a disposizione sia analoga a quella
di partenza, al variare di θ e di r, visibile in Fig. 5.18.
−60 −40 −20 0 20 40 60−60
−40
−20
0
20
40
60
ascisse [m]
ordi
nate
[m]
Aree da sorvegliare Rete, raggio rArea tonda, R= 50 mArea quadrata, L= 100 m
Fig. 5.18: Area A e B a confronto
La prima considerazione riguarda la potenza, strettamente legata al concetto degli Ovali di
Cassini, essi, per ogni coppia TX-RX devono essere tangenti al punto dell’area piu lontano.
La Fig. 5.19 mostra lo scenario descritto e gli ovali ottenuti con il file cassini_quadrata.
Essi sono molto piu ampi rispetto al caso analogo per area rotonda (si osservi la figura
4.29) in quanto i punti piu esterni da raggiungere sono piu distanti.
104 Considerazioni alternative e sviluppi futuri
−100 −50 0 50 100−100
−50
0
50
100
ascisse [m]
ordi
nate
[m]
Area da sorvegliare
Fig. 5.19: Ovali di Cassini Massimi
Copertura
Un sistema con raggio r e ricevitori distanziati da un angolo θ e molto piu efficiente per
un’area quadrata con lato L = 100 m in quanto permette di coprire percentualmente
un’area piu grande. Il file prova_copertura_quadra permette di realizzare il grafico
tridimensionale della copertura, grazie alla funzione cov_quadra.m e visibile in Fig. 5.20.
0 10 20 30 40 50 020
4060
8082
84
86
88
90
92
94
96
98
100
Angolo (gradi)
Copertura per area quadrata con L=100 m
Raggio (m)
Cop
ertu
ra (
%)
Fig. 5.20: Copertura per un’area quadrata
Se si paragona il grafico presente in Fig. 5.20 con quello presente in Fig. 4.32 si puo notare
un aumento della copertura.
5.3 Applicazioni alternative 105
Potenza minima
Come accennato nell’introduzione, la potenza minima dovra essere piu grande per poter
garantire la localizzazione in tutti i possibili punti dell’area. La formula per la potenza
minima diviene cosı:
Ptmin(dBm) = 10log(Pth[l1maxl2max]2(4π)3
GtGrσ[1/fL − 1/(fL +B)]c2) . (5.3.1)
Analogamente a quanto visto per l’area rotonda, la 5.3.1 puo essere scomposta in una parte
K(r, θ) dipendente dalle caratteristiche geometriche e da una parte costante dipendente dai
parametri del segnale e delle antenne, presenti in tabella 4.1. Il file prova_potenza_quadrata
utilizza le funzioni kpotenzaquadra e pow_quadra per realizzare i grafici tridimensionali
al variare di θ e di r. Essi sono visibili rispettivamente in Fig. 5.21 e 5.22.
010
2030
4050 0
20
40
60
8086
87
88
89
90
91
Angolo (gradi)
Coefficiente K(r,θ) per area quadra
Raggio (metri)
K(r
,θ)
(dB
m)
Fig. 5.21: Coefficiente K(r, θ) per area quadrata
Confrontando i grafici presenti in Fig. 5.21 e 5.22 con quelli presentati in Fig. 4.33 e 4.34
si puo osservare un notevole aumento della potenza minima necessaria, dipendente dalla
variazione di geometria.
106 Considerazioni alternative e sviluppi futuri
010
2030
4050 0
20
40
60
8050
51
52
53
54
55
56
Angolo (gradi)
Potenza minima necesaria per area quadra
Raggio (metri)
Ptm
in (
dBm
)
Fig. 5.22: Potenza minima richiesta per area quadrata
5.4 Applicazioni future
Nelle simulazione mostrate nei capitoli precedenti sono state rivolte alla localizzazione di
un target fermo all’interno dell’area di sorveglianza. Uno studio innovativo potrebbe por-
tare alla simulazione e realizzazione di tecniche per la determinazione della traiettoria e
stima della velocita di un eventuale target in movimento.
Tale problema e gia stato anticipato [24] ed e strettamente dipendente dal numero NS
di impulsi UWB trasmessi, come indicato in figura 5.23: Nell’ articolo [1] e presente la
Fig. 5.23: Impulsi nel caso di target mobile
condizione di frequenza di ripetizione massima degli impulsi PRFmax, che dipende θ ed
r, come indicato nella 4.3.19. Essa e visualizzabile nel grafico presente in Fig. 4.35. La
Fig. 4.17 mostra come la frequenza di ripetizione maggiore si abbia per r −→ 0m mentre
quella minore si ha per r −→ 50m e θ −→ 80 gradi. A partire dalla PRFmax ottenuta
a partire da r e di θ scelti in base alle esigenza di compromesso fra copertura e potenza
minima necessaria. A partire da tali considerazioni sara necessario scegliere in numero
degli impulsi NS del segnale inviato.
Uno studio futuro potra realizzare dei metodi di stima della variazione di posizione in
base agli impulsi ricevuti, implementando degli algoritmi di calcolo della velocita del tar-
get. Un’eventuale passo successivo potra consistere nella realizzazione di equazioni per
5.4 Applicazioni future 107
la predizione della stima della posizione futura sulla base della posizione precedente con
un’eventuale correzione della posizione precedente [24, 23].
Conclusioni
Il documento ha presentato un panoramica generale sulle tecniche per la localizzazione
di target umani mediante radar, studiando in dettaglio il caso applicativo di un sistema
anti-intrusione. Si e visto come la scelta dei parametri geometrici influisca sulle principali
caratteristiche come copertura dell’area, potenza minima richiesta ed accuratezza nella
stima della posizione.
La caratterizzazione geometrica sulla disposizione dei ricevitori, deve risultare come scelta
di compromesso al fine di ottimizzare il piu possibile una delle caratteristiche precedente-
mente elencate. In caso di applicazioni particolari, nelle quale si deve ottimizzare solamente
una di queste caratteristiche, la scelta puo essere fatta in modo piu semplice, si avra tut-
tavia un peggioramento delle prestazioni del sistema in merito alle altre caratteristiche.
Si e visto inoltre come la scelta di un sistema meno performante incida direttamente sulle
prestazioni del sistema anti-intrusione. Ad esempio un dispositivo che presenta un mini-
mo delay risolvibile maggiore di quello di riferimento (1 ns) determina un peggioramento
considerevole della percentuale di copertura dell’area.
Allo stesso modo, mediante simulazioni piu laboriose potrebbe essere dimostrato che una
stima piu incerta del TOA provochi un’area di incertezza piu grande, diminuendo di fatto
l’accuratezza sulla localizzazione. In base quindi alle prestazione desiderate del sistema, si
rendera necessario la scelta dei componenti hardware per la realizzazione dei dispositivi.
Il sistema multistatico presentato e costituito da un trasmettitore e tre ricevitori. Ovvia-
mente sarebbe possibile realizzare lo stesso sistema con piu ricevitori. In tal caso alcune
prestazioni migliorerebbero, ma ovviamente si avrebbe un costo ed una complessita mag-
giore.
Le simulazioni hanno dimostrato come la presenza di rumore sovrapposto intervenga di-
rettamente sulla stima del ritardo fra segnali (TDE) e causi un’errata stima della posizione
del target da localizzare. Ovviamente anche questo problema deve essere tenuto in consi-
derazione durante la progettazione di un sistema di localizzazione, in base all’ambiente in
cui esso andra ad operare. Nella trattazione si e giustificato ampiamente l’utilizzo della
tecnologia radar nella realizzazione di un sistema di localizzazione, per via dei numerosi
vantaggi che essa comporta. Non e da escludere tuttavia l’utilizzo di altri dispositivi in
caso di applicazione alternative o che richiedano determinati risultati.
Gli sviluppi futuri possono portare un miglioramento delle prestazioni di ogni dispositivo,
al fine di aumentarne le caratteristiche principali come l’accuratezza alla stima della po-
sizione. Anche la maggior reiezione possibile ai disturbi esterni e un’aspetto di primaria
importanza nel miglioramento della tecnologia radar come sottolineato precedente.
Un’ulteriore ramo molto importante riguarda la realizzazione di algoritmi per la determi-
nazione della velocita del target in movimento, con una stima della traiettoria dello stesso.
La localizzazione e la stima della traiettoria potranno essere associate direttamente all’i-
dentificazione della persona, in modo da ottenere un prodotto completo nell’ambito dell’
human detection.
109
Ringraziamenti
Il ringraziamento principale va senz’altro ai miei genitori, senza il loro sostegno economico
e morale non avrei mai raggiunto quest’obiettivo.
Un ringraziamento particolare va anche al Prof. Alessandro Sona, per la proposta di tesi
e per la disponibilita dimostrata in questi sei mesi.
Un grazie ad Andrea e Roberto, con i quali ho condiviso gran parte di questi mesi di
lavoro, il loro aiuto e la loro compagnia e stata di notevole importanza per me.
Ringrazio anche agli amici ed in particolare ad Ilaria, che mi ha sopportato ultimamente.
Un grazie va anche ai nonni ed ai parenti in generale, il loro supporto e stato molto im-
portante.
111
Bibliografia
[1] E. Paolini, A. Giorgetti, M. Chiani, R. Minutolo, and M. Montanari, “Localization
Capability of Cooperative Anti-Introdurer Radar System,” EURASIP Journal on
Applied Signal Processing, 2006.
[2] P. Withington, H. Fluhler, and S. Nag, “Henanced Homeland Security with Advanced
UWB Sensor,” IEEE Microwave Magazine, 2003.
[3] A. Yarovoy and L. Ligthart, “UWB Radar for Human Being Detection,” in Second
European Radar Conference 2005, 2005.
[4] C. Liebe, A. Gaugue, J. Khamlichi, and M. Menard, “Radar UWB Detection Throug
a Wall,” Laboratoire Image Informatique International, 2005.
[5] J. J. Lee and S. Singh, “Using UWB Radios as Sensor Disaster Recovery,” in Ultra-
Wideband ICUWB 2007 IEEE International Conference on, 2007, pp. 311–315.
[6] J. P. Ianniello, “Threshold effects in Time Delay Estimation via cross-correlation,”
Naval Underwater System Center, 1968.
[7] C. H. Knapp and C. G. Carter, “The generalized correlation method for estimation
of time delay,” IEEE Trans, Acoust, Speech, Signal Processing, 1976.
[8] J. P. Ianniello, “Time Delay Estimation via Cross-Correlation in the Presence of Lar-
ge Estimation Error,” IEEE Transaction on acoustic, speech, and signal processing,
1982.
[9] Y. Zhang and W. H.Abdulla, “A Comparative Study of Time-Delay Estimation
Techniques Using Microphone Arrays,” Department of Electrical and Computer
Engineering The University of Auckland, Tech. Rep., 2005, pp. 1–57.
[10] K. Nandi, “On the subsample time delay estimation of narrowband ultrasonic echoes,”
IEEE Transactions on Ultrasonics, ferroelectrics, and frequency control, 1995.
[11] L. Zhang and L. J. Zhang, “A GCC Time Delay Estimation Algorithm Based on Wa-
velet Transforml,” IJCSNS International Journal of Computer Science and Network
Security, 2010.
[12] J. Shalchian, A. Khaki-Sedigh, and A. Fatehi, “A Subspace Based Method for
Time Delay Estimationl,” Proceedings of the 4th International Symposium on
Communications, 2010.
[13] S. W. Varade and K. D. Kulate, “Robust Algorithms for DOA Estimation and
Adaptive Beamforming for Smart Antenna,” in Second International Conference on
Emerging Trends in Engineering and Technology ICETET-09, 2009.
113
114 BIBLIOGRAFIA
[14] M. A. Al-Nuaimi, R. M. Shubair, and K. O. Al-Midfa, “DOA Estimation in Wi-
reless Mobile Communications Using MVDR Response,” in Second International
Conference on Innovations in Information Technology IIT-05, 2005.
[15] H. ElKamchouchi and M. A. Moffed, “Direction of Arrival (DOA) and Time Difference
of Arrival (TDOA) Position Location Technique,” in Twenty Second National Science
Conference (NRSC 2005), Cairo, Egypt, Mar. 2005.
[16] C. Falsi, G. Dardari, L. Mucchi, and Z. Win, “Time of Arrival for UWB Localizers in
Realistic Enviroments,” EURASIP Journal on Advances in Signal Processing, 2008.
[17] T. Teixera, G. Dublon, and A. Savvides, A Survey of Human Sensing: Presence,
Count, Location, Track and Identity. ACM Computing Service, 2008, pp. 1–35.
[18] S. Z. Gurbuz, W. L. Melvin, and D. Williams, “Detection and Identification for
Human Targets in Radar Data,” Center for Signal and Image Processingl, pp. 1–11,
2006.
[19] G. Shingu, K. Takizawa, and T. Ikegami, “Human Body Detection using MIMO-UWB
Radar Sensor Network in an Indoor Environment,” in Ninth Internacional Conference
on Parallel and Distribuited Computing, Applications and Technologies, 2008.
[20] M. Skolnik, Radar Handbook. Mc Graw Hill, 2008, pp. 1145–1155.
[21] M. C. Jackson, “The Geometry of Bistatic Radar Systems,” IEE Proceedings, 1986.
[22] S.Doughty and K. Woodbridge, “Charaterization of a Multistatic Radar Systems,”
in Proceedings of IEE European Radar Conference (EuRad 2006), Manchester, UK,
2006, pp. 5–8.
[23] M. Chiani, A. Giorgetti, M. Mazzotti, R. Minutolo, and E. Paolini, “Target Detection
Metrics and Tracking for UWB Radar Sensor Network,” ICUWB 2009, 2009.
[24] E. Paolini, “High Precision Passive Localization Through UWB Radar Sensor
Network,” in Summer School on Localization in Wireless Comunication, Aalborg,
Danemark, Jun. 2010.
Appendice A
Considerazioni geometriche
A.1 Ellisse
Dato un diagramma cartesiano x-y, con origine in (0, 0) l’Ellisse con parametri a e b ed
origine in (x0, y0) ed asse maggiore inclinato di ϕ ha equazione in coordinate cartesiane:
x = acos(ϕ)cos(t)− bsin(ϕ)sin(t) + x0
y = asin(ϕ)cos(t) + bcos(ϕ)sin(t) + y0 (A.1.1)
A.2 Ovale di Cassini
Data una condizione simile a quanto spiegato al punto precedente l’Ovale di Cassini con
parametri a e b ha equazione:
x = acos(ϕ+ t)
√√√√cos(2t) +
√(b
a)4 − (
sin(2t)
a)2 + x0
y = asin(ϕ+ t)
√√√√cos(2t) +
√(b
a)4 − (
sin(2t)
a)2 + y0 (A.2.1)
115